بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
أحد أصعب التحديات في فيزياء إحصاء الجزيئات هو توليد عيّنات توازن حرارية غير مترابطة وبكفاءة عالية. الحل التقليدي كان مولّدات بولتزمان (BGs)، التي تجمع بين نموذج توليدي واحتمالات دقيقة وتصحيح أهمية لإنتاج تلك العيّنات. لكن تبقى هذه المولّدات رهينةً لمعماريات التدفق الطبيعي (Normalizing Flows)، وهي معماريات تُعاني من نقيضين لا مفرّ منهما: إما تعبيرية محدودة بسبب قيود الانعكاسية الصارمة في الزمن المتقطع، وإما تكاليف حسابية باهظة للاحتمالات في الزمن المستمر.
فريق من الباحثين يضم Danyal Rehman، وYoshua Bengio، وAvishek Joey Bose، وAlexander Tong، وزميلهم Charlie B. Tan، يقترح الآن خروجاً كاملاً من هذا الإطار بورقة بحثية نُشرت في الخامس والعشرين من يونيو 2026 تحت مسمى Autoregressive Boltzmann Generators (ArBG).
الفكرة الجوهرية في ArBG هي استبدال النماذج التدفقية بالنمذجة الانحدارية الذاتية (Autoregressive Modeling)، وهي المعمارية ذاتها التي أثبتت نجاعتها في نماذج اللغة الكبيرة (LLMs). هذا التحوّل لا يُحسّن الأداء فحسب، بل يُعيد تأسيس المنهجية برمّتها: يتجاوز ArBG القيود الطوبولوجية التي تفرضها نماذج التدفق، ويُتيح تدخلات استنتاجية تسلسلية في وقت الإنتاج (sequential inference-time interventions)، مع قابلية توسع أعلى بفضل الاستفادة من معماريات LLMs المُحسَّنة.
الاختبارات التجريبية كشفت عن تحسينات ملموسة عبر جميع المعايير المرجعية (benchmarks) مقارنةً بالنماذج التدفقية. لكن التحسين الأبرز جاء في أنظمة الببتيد الأكبر حجماً؛ إذ أظهر الإطار (وفقاً للورقة البحثية) فارقاً واسعاً تحديداً في Chignolin، وهي سلسلة ببتيدية مكوّنة من 10 بقايا أحماض أمينية (residues) وتُشكّل اختباراً معيارياً في مجال المحاكاة الجزيئية.
على هذا الإطار بنى الفريق نموذجاً قابلاً للنقل بين الأنظمة أطلق عليه اسم Robin، يضم 132 مليون معامل. ما يُميّز Robin ليس حجمه فحسب، بل قدرته على العمل بدون ضبط دقيق على النظام المستهدف (zero-shot)؛ فقد تمكّن من خفض خطأ الطاقة E-W₂ على أنظمة الثماني بقايا بأكثر من 60% مقارنةً بأفضل نتائج الحالة السابقة (وفقاً للورقة البحثية). هذا الأداء في zero-shot يُشير إلى أن Robin تعلّم تمثيلات فيزيائية قابلة للتعميم، لا مجرد حفظ أنماط أنظمة بعينها.
الأهمية العملية لهذا العمل تتجاوز التحسينات العددية. محاكاة التوازن الحراري للجزيئات تقع في قلب تصميم الأدوية وفهم طيّ البروتينات، وكلاهما مجالان تُستنزف فيهما ساعات حوسبة ضخمة على سيمولاتين كلاسيكية كـ MCMC. القدرة على توليد عيّنات توازن غير مترابطة بمولّد سريع تعني عملياً تسريع دورة البحث والاستكشاف في كيمياء حيوية حاسبية. والاقتراب من أدوات LLMs في المعمارية يعني أيضاً أن مجتمع تعلم الآلة الأوسع، الذي طوّر أدوات وبنى تحتية ضخمة حول هذه النماذج، بات يملك مسار دخول طبيعياً لهذا المجال.
الكود البرمجي متاح للعموم على GitHub وفق ما أوردته الورقة.
