CliffordIP: لغة هندسية جديدة لمحاكاة المحفزات

متجهات متعددة بدل التوافقيات الكروية

تُبنى معظم الجهود المتساوية التغاير الحديثة على التوافقيات الكروية وجداءات كليبش–غوردان — أناقة رياضية بكلفة حسابية وتعقيد في التنفيذ. أما CliffordIP فهو جهد بين-ذري بتمرير الرسائل مبني على جبر كليفورد Cl(3,0): تُمثَّل كل بيئة ذرية بمتجه متعدد ثماني الأبعاد — قيم قياسية ومتجهات وثنائيات متجهات وقيم قياسية كاذبة — تقترن عبر الجداء الهندسي. يلتقط هذا التمثيل بطبيعته اتجاهات الروابط ومستويات التفاعل واليدوانية المحلية، وهي بالضبط السمات الهندسية المهمة للوسائط الحفزية، مع فرض تساوي تغاير كامل لزمرة O(3) (الدورانات والانعكاسات معًا) عبر زمرة Pin(3).

النتائج على معايير الحفز

على المجموعات الفرعية الموجهة للحفز، يخفض CliffordIP متوسط الخطأ المطلق في الطاقة بنسبة 20–24% مقارنة بأفضل نموذج منافس في التفاعلات الثلاثة الأهم لتحوّل الطاقة: اختزال CO₂، واختزال N₂، وتكوين C₂ (اقتران الكربون). وفي بروتوكول موحّد محدود الحوسبة، يحقق أيضًا أقوى أداء طاقة داخل التوزيع بين النماذج المقارنة على معياري Open Catalyst OC20 وOC22، مع بقائه منافسًا في مقادير القوى.

لماذا يهم هذا

ترسّخ هذه النتيجة جبر كليفورد أساسًا عمليًا للجهود البين-ذرية الموجهة للطاقة: تعقيد تنفيذ أقل من حزم التوافقيات الكروية، مع دقة طاقة أفضل حيث تهم فعلًا. ولمجموعات الحفز الحاسوبي، يعني ذلك مباشرة فحص عدد أكبر من الأسطح المرشحة لكل ساعة GPU — ومسارًا أسرع من المحاكاة إلى محفز قابل للتصنيع.

التطبيقات والأثر الاقتصادي

التفاعلات التي يستهدفها CliffordIP تقع في قلب أسواق إزالة الكربون التي تُقدَّر بمليارات الدولارات: اختزال CO₂ يغذي الوقود الإلكتروني واستغلال الكربون، واختزال N₂ أساس الأمونيا الخضراء والأسمدة، واقتران الكربون يبني الكيماويات الأساسية لصناعة ما بعد الوقود الأحفوري. وعنق الزجاجة فيها جميعًا هو كلفة الفرز:

• من أشهر معالجة إلى أجزاء الثانية — قد يستهلك تقييم DFT واحد لنظام امتزاز آلاف ساعات المعالج؛ بينما يجيب الجهد المدرَّب في أجزاء من الثانية، مضاعفًا عدد الأسطح المرشحة المفروزة لكل ساعة GPU أضعافًا كثيرة.
• دقة حيث تُتخذ القرارات — خفض خطأ الطاقة بنسبة 20–24% يقع تحديدًا على الكمية (طاقات الامتزاز) التي ترتّب المحفزات المرشحة، فالفرز الأرخص لا يعني قرارات أسوأ.
• تبنٍّ فوري — يُوزَّع النموذج حزمة قابلة للتثبيت، فتستطيع خطوط الكيمياء الحاسوبية القائمة تجربته دون إعادة هندسة.

للتعمق أكثر

المسودة الكاملة: حمّل ملف PDF — المعمارية الكاملة وبروتوكول التدريب وجداول النتائج.

الكود والنماذج المدربة: github.com/KurbanIntelligenceLab/CliffordIP

التثبيت من PyPI: pip install cliffordip

الورقة قيد مراجعة الأقران حاليًا، وسيُضاف رابط النسخة المنشورة عند صدورها.