Uncertainty quantification design principles for machine learning interatomic potentials: lessons learned from hierarchical Bayesian inference
यह शोध पत्र आर्गन क्लस्टर-क्लस्टर डेटा का उपयोग करके मशीन लर्निंग इंटरएटॉमिक पोटेंशियल के लिए अनिश्चितता परिमाणीकरण रणनीतियों का बेंचमार्किंग करता है और एक पदानुक्रमित बेरियन गॉसियन प्रोसेस डिज़ाइन प्रस्तावित करता है जो विश्वसनीय अनुप्रयोगों के लिए अनिश्चितता के स्रोतों का स्पष्ट रूप से विश्लेषण करते हुए सटीकता, अंशांकन और त्रुटि भेदभाव के बीच प्रभावी ढंग से संतुलन बनाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
सामग्री विज्ञान (materials science) की दुनिया में, शोधकर्ता अक्सर कंप्यूटर पर सिमुलेशन के माध्यम से परमाणुओं के व्यवहार की भविष्यवाणी करने का प्रयास करते हैं। दशकों से, ये सिमुलेशन परमाणु एक-दूसरे को कैसे धकेलते या खींचते हैं, इसका वर्णन करने के लिए 'रूल्स ऑफ थंब' (अनुभवजन्य नियमों) या सरलीकृत भौतिकी पर निर्भर रहे हैं। हालांकि ये उपयोगी हैं, लेकिन जब वैज्ञानिक जटिल नई सामग्रियों या चरम स्थितियों का मॉडल बनाने की कोशिश करते हैं, तो ये सरलीकृत नियम अक्सर विफल हो जाते हैं। इस समस्या को दूर करने के लिए, उपकरणों की एक नई पीढ़ी उभरी है: मशीन लर्निंग इंटरएटॉमिक पोटेंशियल (machine learning interatomic potentials)। ये ऐसे कंप्यूटर प्रोग्राम हैं जिन्हें उच्च-स्तरीय क्वांटम भौतिकी गणनाओं पर प्रशिक्षित किया गया है ताकि वे डेटा से सीधे परमाणु अंतःक्रियाओं के नियमों को सीख सकें। ये अविश्वसनीय रूप से तेज़ और सटीक हैं, जो क्वांटम यांत्रिकी की धीमी, सटीक दुनिया और इंजीनियरिंग की तेज़, बड़े पैमाने की दुनिया के बीच एक सेतु का कार्य करते हैं। हालाँकि, एक बड़ी समस्या बनी हुई है: ये प्रोग्राम अक्सर बहुत अधिक आत्मविश्वासी होते हैं। वे एक भविष्यवाणी करेंगे और एक संख्या देंगे, लेकिन वे आपको विश्वसनीय रूप से यह नहीं बता सकते कि वह संख्या गलत होने की कितनी संभावना है। नई बैटरियों या परमाणु सामग्रियों के डिजाइन जैसे क्षेत्रों में, यह जानना कि आपकी भविष्यवाणी अनिश्चित है, उतना ही महत्वपूर्ण है जितना कि स्वयं भविष्यवाणी करना। इस संदेह को मापने का तरीका न होने के कारण, इन शक्तिशाली उपकरणों का उपयोग महत्वपूर्ण निर्णयों के लिए सुरक्षित रूप से नहीं किया जा सकता है।
यही वह चुनौती थी जिसे हल करने के लिए शोधकर्ताओं की एक टीम ने हाथ लगाया। उन्होंने एक विशिष्ट प्रकार के मशीन लर्निंग मॉडल पर ध्यान केंद्रित किया जो 'गौसियन प्रोसेस' (Gaussian process) नामक एक सांख्यिकीय ढांचे का उपयोग करता है। इस ढांचे को एक कठोर समीकरणों के सेट के रूप में नहीं, बल्कि सीखने के एक लचीले तरीके के रूप में सोचें जो स्वाभाविक रूप से इस बात का हिसाब रखता है कि वह कितना जानता है और वह कितना अनुमान लगा रहा है। शोधकर्ता यह देखना चाहते थे कि क्या वे एक ऐसा सिस्टम बना सकते हैं जो न केवल परमाणुओं के बीच ऊर्जा और बल की भविष्यवाणी करे, बल्कि अपनी अनिश्चितता का एक ईमानदार, विश्वसनीय माप भी प्रदान करे। इसका परीक्षण करने के लिए, उन्होंने आर्गन (argon) को चुना, जो एक उत्कृष्ट गैस (noble gas) है जिसमें बहुत सरल अंतःक्रियाएं होती हैं, जिसे एक प्रशिक्षण मैदान के रूप रूप में इस्तेमाल किया गया। उपलब्ध सबसे सटीक क्वांटम भौतिकी गणनाओं को संदर्भ के रूप में उपयोग करके, वे देख सके कि उनकी नई विधि कितनी अच्छी तरह काम करती है।
टीम ने एक परिष्कृत दृष्टिकोण विकसित किया जो ज्ञात भौतिकी को सांख्यिकीय शिक्षण के साथ जोड़ता है। शून्य से शुरुआत करने के बजाय, उन्होंने कंप्यूटर को आर्गन परमाणुओं के बीच परस्पर क्रिया करने के एक बुनियादी, सुस्थापित विवरण से अवगत कराया। इसके बाद मशीन लर्निंग मॉडल ने केवल उन छोटे सुधारों को सीखा जिनकी आवश्यकता उस बुनियादी विवरण को पूर्ण बनाने के लिए थी। महत्वपूर्ण बात यह है कि उन्होंने केवल मॉडल के लिए सेटिंग्स का एक एकल "सर्वश्रेष्ठ" सेट नहीं चुना। इसके बजाय, उन्होंने कंप्यूटर को सेटिंग्स की एक विस्तृत श्रृंखला तलाशने की अनुमति दी, यह समझते हुए कि सीमित डेटा होने पर कोई एक आदर्श उत्तर नहीं होता है। 'हाइरार्किकल बायेसियन इन्फरेंस' (hierarchical Bayesian inference) नामक यह प्रक्रिया मॉडल को अपनी सेटिंग्स के बारे में अनिश्चितता को अपनी अंतिम भविष्यवाणियों में आगे ले जाने देती है। परिणाम स्वरूप एक ऐसा सिस्टम प्राप्त हुआ जो यह स्वीकार करता है कि वह अनिश्चित है, बजाय इसके कि वह यह दिखावा करे कि वह जितना जानता है उससे कहीं अधिक जानता है।
जब शोधकर्ताओं ने अपने नए तरीके की तुलना अन्य लोकप्रिय मशीन लर्निंग तकनीकों से की, तो अंतर स्पष्ट था। अन्य विधियाँ, जिनमें उन्नत न्यूरल नेटवर्क भी शामिल हैं, औसत रूप से सही उत्तर देने में बहुत अच्छी थीं। हालाँकि, वे खतरनाक रूप से अति-आत्मविश्वासी थीं। जब वे गलत होते थे, तो वे अक्सर एक बहुत छोटा अनिश्चितता अनुमान देते थे, जिससे यह संकेत मिलता था कि वे एक गलत उत्तर के प्रति आश्वस्त हैं। इसके विपरीत, नया हाइरार्किकल मॉडल थोड़ा अधिक रूढ़िवादी था, जो अक्सर परिणामों की एक विस्तृत श्रृंखला की भविष्यवाणी करता था। लेकिन यह सावधानी एक दोष नहीं, बल्कि एक विशेषता थी। मॉडल के अनिश्चितता अनुमान ईमानदार थे: जब भविष्यवाणी के गलत होने की संभावना अधिक होती थी, तो मॉडल एक बड़ी अनिश्चितता का संकेत देता था। जब भविष्यवाणी के सटीक होने की संभावना होती थी, तो अनिश्चितता कम होती थी। आसान और कठिन मामलों के बीच अंतर करने की यह क्षमता 'एक्टिव लर्निंग' (active learning) के लिए अत्यंत महत्वपूर्ण है, जो एक ऐसी प्रक्रिया है जहाँ कंप्यूटर यह तय करता है कि उसे अगला कौन सा प्रयोग करना चाहिए। यदि कोई मॉडल आपको यह नहीं बता सकता कि उसकी भविष्यवाणियों में से कौन सी संदिग्ध हैं, तो आप इसका उपयोग अनुसंधान को कुशलतापूर्वक निर्देशित करने के लिए नहीं कर सकते।
अध्ययन ने यह भी खुलासा किया कि मॉडल कैसे सीखता है, यह बहुत मायने रखता है। केवल बहुत सारा डेटा होना पर्याप्त नहीं है; मॉडल को अंतर्निहित भौतिकी को समझने की आवश्यकता है। जब शोधकर्ताओं ने मॉडल से बुनियादी भौतिक विवरण हटा दिया और इसे सब कुछ शून्य से सीखने के लिए कहा, तो परिणाम खराब रहे, विशेष रूप से तब जब डेटा कम था। मॉडल को एक ज्ञात भौतिक नियम के साथ स्थापित करके, मशीन लर्निंग वाले हिस्से को केवल छोटे विचलन सीखने थे, जिससे पूरा सिस्टम बहुत अधिक मजबूत हो गया। इसके अलावा, उन्होंने पाया कि मॉडल के लिए केवल एक ही सर्वश्रेष्ठ सेटिंग्स चुनना एक गलती थी। जबकि इस पद्धति ने थोड़े अधिक सटीक 'पॉइंट प्रेडिक्शन' दिए, इसने मॉडल की अनिश्चितता बताने की क्षमता को नष्ट कर दिया। संदेह का एक विश्वसनीय माप प्राप्त करने का एकमात्र तरीका यह था कि मॉडल को कई अलग-अलग संभावनाओं को तलाशने दिया जाए और उन्हें एक साथ औसत निकाला जाए।
अंत में, शोधकर्ताओं ने प्रदर्शित किया कि ऐसे मशीन लर्निंग मॉडल बनाना संभव है जो न केवल सटीक हैं बल्कि भरोसेमंद भी हैं। भौतिक ज्ञान को एक सांख्यिकीय पद्धति के साथ जोड़कर, जो अनिश्चितता का सम्मान करती है, उन्होंने एक ऐसा उपकरण बनाया है जो अपनी सीमाओं को जानता है। यह क्षेत्र के लिए एक महत्वपूर्ण प्रगति है। यह सुझाव देता है कि भविष्य में, वैज्ञानिक इन शक्तिशाली सिमुलेशन का उपयोग यह स्पष्ट समझ के साथ कर पाएंगे कि उनकी भविष्यवाणियाँ कहाँ ठोस हैं और कहाँ संदिग्ध। यह स्पष्टता साधारण सिमुलेशन से वास्तविक दुनिया की सामग्रियों के डिजाइन की ओर बढ़ने के लिए आवश्यक है, जहाँ विफलता की कोई गुंजाइश नहीं होती। यह कार्य दर्शाता है कि विज्ञान में विश्वसनीय कृत्रिम बुद्धिमत्ता (AI) का मार्ग केवल मॉडलों को स्मार्ट बनाने के बारे में नहीं है, बल्कि उन्हें यह सिखाने के बारे में है कि वे जो नहीं जानते हैं, उसके प्रति कितने विनम्र रहें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।