نشرت دورية «نيتشر كومبيوتشنال ساينس» (Nature Computational Science) في 6 نوفمبر 2026 بحثاً قصيراً بعنوان «محاكاة مبدئية لسطوح الطاقة الكامنة للحالات المثارة باستخدام كوانتم مونت كارلو العميقة القابلة للنقل» (Ab initio simulation of excited-state potential energy surfaces with transferable deep quantum Monte Carlo)، أعدّه زينو شاتسله (Zeno Schätzle) وP. بيرنات سزابو (P. Bernát Szabó) بمساهمة متساوية، بإشراف فرانك نوي (Frank Noé) من جامعة برلين الحرة وشركة مايكروسوفت للبحوث. يقدم البحث طريقة تجمع الشبكات العصبية العميقة مع كوانتم مونت كارلو المتغيرية (VMC) لحساب سطوح الطاقة للحالات المثارة، وتتميز بتقليل التكلفة الحاسوبية بشكل كبير عند دراسة هندسات متعددة للجزيء نفسه. ومع ذلك، يبقى السؤال الأعمق: هل نحن أمام تسريع رقمي للخوارزميات القائمة، أم تحول في فهم التفاعل الكيميائي؟

القصة وراء البحث: معضلة الحالات المثارة في الكيمياء الحاسوبية

تعتمد الكيمياء الحاسوبية في دراسة الحالة الأرضية للجزيئات غالباً على نظرية الكثافة الوظيفية (DFT) وطريقة هارتري‑فوك (Hartree‑Fock). وتضعف هذه المقاربات عند دراسة الحالات المثارة وسطوح الطاقة المرتبطة بها، وهي الحالات الحاسمة في الكيمياء الضوئية وتحويل الطاقة الشمسية. فنظرية الكثافة الوظيفية المعتمدة على الحالة الواحدة تفشل عند التقاطعات المخروطية (Conical Intersections) وفي الأنظمة ذات الطابع متعدد المراجع، بينما تتطلب الطرق متعددة المراجع مثل CASSCF اختياراً دقيقاً لفضاء الحالات النشطة، وتتزايد تكلفتها بشدة مع حجم النظام. وهكذا يجد الباحثون أنفسهم أمام خيار صعب بين الدقة والكلفة الحاسوبية.

الإضافة الجديدة: دمج الشبكات العصبية مع مونت كارلو الكمية

يستخدم الفريق شبكة عصبية ذاتية الانتباه (Self-attention) مشتقة من بنية Psiformer لتقريب دالة الموجة الإلكترونية ضمن إطار VMC. وتكمن الفكرة الأساسية في معالجة عدة هندسات للجزيء في تحسين واحد مشترك، مع مشاركة جزء من معاملات الشبكة بين الحالات الإلكترونية المختلفة، وترتيب الحالات ديناميكياً حسب الطاقة عند كل هندسة للحفاظ على استمرارية دوال الموجة عند التقاطعات. ويُظهر البحث أن هذا النهج يقلل تكلفة الحساب بنحو خمسة أضعاف في حالة الإيثيلين مقارنةً بالحسابات المفردة، ويصل التسريع في الحالات الأخرى إلى نحو مئة ضعف، مع الإبقاء على دقة قريبة من المراجع عالية الدقة. كما يتجاوز الفريق الحاجة إلى تدريب مسبق بإشراف على بيانات من طرق كيميائية كمية أخرى، وهو ما كانت تتطلبه أعمال سابقة.

النتائج: أرقام تستحق القراءة بدقة

درس الباحثون أربعة أنظمة. في الإيثيلين، حدد النهج موقع التقاطع المخروطي عند زاوية 98.5 درجة، وبلغ متوسط خطأ الطاقات النسبية 29.4 ميلي‑إلكترون‑فولت للحالة الأولى و4.7 ميلي‑إلكترون‑فولت للحالة الثانية. وفي ثنائي الكربون، بلغ متوسط الخطأ 69 ميلي‑إلكترون‑فولت مقابل 75 للحساب المفرد، مع تقارب أسرع بنحو ثلاث مرات. أما كاتيون ميثيلين إيمونيوم فقد انخفض متوسط الخطأ من 134 ميلي‑إلكترون‑فولت في الحساب المفرد إلى نحو 96 و97 ميلي‑إلكترون‑فولت للنموذجين. وأخيراً، طُبقت الطريقة على نموذج مختزل لموقع الروديوكسين الفعال (Fe(SH)₄²⁻) يحتوي 96 إلكتروناً، وأظهرت أن الحالة الأرضية كوينتية في معظم الهندسات، وأن النتائج أقرب إلى مرجع CCSD(T) من نتائج PBE.

ما وراء الأرقام: حدود المعنى وفلسفة الدقة

حين تُعلن دراسات من هذا النوع أن الذكاء الاصطناعي «يكتشف قوانين الطبيعة» أو «يفهم الذرة»، يصبح التمييز ضرورياً. فالشبكة العصبية هنا لا تفهم ميكانيكا الكم بالمعنى الفلسفي، بل تنجح في تقريب دالة موجة عالية الأبعاد بكفاءة، وهو تقريب مقيّد بالبنية الرياضية المفروضة وبافتراضات المنهج المبدئي (Ab initio). ومن هنا فإن الطريقة أداة قوية لتقريب الحلول، لا بديلاً عن فهم الفيزيائي للتضاريس الكمية. ويزيد من أهمية هذا التمييز أن الورقة نفسها تقرّ بأن النهج ما زال يعمل على مجموعات ثابتة من الهندسات، وأن التعميم عبر تركيبات كيميائية مختلفة يتطلب تعديل البنية لتستوعب تغيراً في عدد الإلكترونات.

الأثر المحتمل وحدود التطبيق

تفتح هذه المقاربة إمكانية دراسة سطوح الطاقة للجزيئات الكبيرة التي كانت التكلفة تمنع دراستها، وهي مفيدة لفهم الفوتوكيمياء والتحفيز الضوئي وتصميم المواد الحساسة للضوء، وهي تطبيقات ذكرتها الورقة كسياق عام دون أن تدرسها مباشرة. وتبقى التحديات واضحة: دقة النموذج في الزوايا القصوى من فضاء التفاعل تحتاج إلى تحقق مستمر، وتبديل الحالات عند حدود المجال المدروس ما زال مشكلة مفتوحة، والانتقال إلى أسطح عالية الأبعاد يتطلب مخططات أخذ عينات تجمع بين حركة الإلكترونات والنوى. وعليه، فإن القيمة الحقيقية للعمل لا تكمن في إلغاء الطرق التقليدية، بل في إضافة أداة موثوقة تربط بين ميكانيكا الكم الصارمة والقدرة التنبؤية للنماذج الحديثة.