🔬 materials science

Machine-learning interatomic potentials achieving CCSD(T) accuracy for systems with extended covalent networks and van der Waals interactions

यह शोध पत्र एक नवीन कार्यप्रणाली प्रस्तुत करता है जिसमें विसर्जन-सुधारित टाइट-बाइंडिंग बेसलाइन के साथ $\Delta$ -लर्निंग का उपयोग करके ऐसे मशीन-लर्निंग इंटरएटोमिक पोटेंशियल को प्रशिक्षित किया गया है जो विस्तारित सहसंयोजक नेटवर्क और वान डेर वाल्स इंटरैक्शन वाले सिस्टम के लिए CCSD(T) सटीकता प्राप्त करते हैं, जिससे कोवेलेंट ऑर्गेनिक फ्रेमवर्क्स जैसे पदार्थों के बड़े पैमाने पर, रासायनिक रूप से सटीक सिमुलेशन सक्षम होते हैं।

मूल लेखक: Yuji Ikeda, Axel Forslund, Pranav Kumar, Yongliang Ou, Jong Hyun Jung, Andreas Köhn, Blazej Grabowski

प्रकाशित 2026-03-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuji Ikeda, Axel Forslund, Pranav Kumar, Yongliang Ou, Jong Hyun Jung, Andreas Köhn, Blazej Grabowski

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

कल्पना कीजिए कि आप एक विशाल, जटिल लेगो (LEGO) किला बनाने की कोशिश कर रहे हैं। इसे पूरी तरह से बनाने के लिए, आपको यह सटीक रूप से जानने की आवश्यकता है कि हर एक ईंट आपस में कैसे जुड़ती है, जब आप उन्हें थपथपाते हैं तो वे कैसे कंपन करती हैं, और पूरा ढांचा दबाव में कैसे टिका रहता है।

रसायन विज्ञान और पदार्थ विज्ञान (materials science) की दुनिया में, ये "ईंटें" परमाणु (atoms) हैं, और इनका "आपस में जुड़ना" क्वांटम मैकेनिक्स के नियमों द्वारा नियंत्रित होता है। दशकों से, वैज्ञानिकों के पास इन नियमों को समझने के दो मुख्य तरीके रहे हैं:

"त्वरित रेखाचित्र" (DFT): यह किले का एक मोटा रेखाचित्र (sketch) बनाने जैसा है। यह तेज़ है और एक सामान्य विचार के लिए पर्याप्त है, लेकिन यह सूक्ष्म विवरणों को छोड़ देता है। यह एक रबर बैंड के खिंचने का अनुमान लगाने की कोशिश करने जैसा है बिना वास्तव में उसे मापने के; कभी-कभी यह भौतिकी (physics) को गलत समझ लेता है, खासकर जब परमाणु एक-दूसरे से दूर होते हैं और केवल एक-दूसरे को "महसूस" करते हैं (जैसे चुंबक जो आपस में छू नहीं रहे हों)।
"मास्टर ब्लूप्रिंट" (CCSD(T)): यह स्वर्ण मानक (gold standard) है। यह एक अत्यंत विस्तृत, गणितीय रूप से सटीक ब्लूप्रिंट है। यह अंतिम परमाणु तक भौतिकी को सही ढंग से प्राप्त करता है। लेकिन एक समस्या है: पूरे किले के लिए इसकी गणना करने के लिए इतनी अधिक कंप्यूटर शक्ति की आवश्यकता होती है कि एक सुपरकंप्यूटर को एक अकेले कमरे को पूरा करने में ही वर्षों लग जाएंगे। यह पूरे ढांचे को बनाने के लिए बहुत धीमा है।

समस्या:
वैज्ञानिक विशाल, जटिल संरचनाएं (जैसे कोवेलेंट ऑर्गेनिक फ्रेमवर्क्स, या COFs—सोचिए, ये गैस को स्टोर करने या पानी साफ करने के लिए उपयोग किए जाने वाले अत्यधिक छिद्रपूर्ण, स्पंज जैसे आणविक जाल हैं) बनाना चाहते थे। उन्हें "त्वरित रेखाचित्र" की गति और "मास्टर ब्लूप्रिंट" की सटीकता दोनों की आवश्यकता थी। अब तक, वे दोनों चीजें एक साथ नहीं पा सकते थे।

समाधान: "डेल्टा-लर्निंग" (Delta-Learning) का तरीका
इस पेपर के लेखकों ने एक चतुर शॉर्टकट निकाला है, जिसे वे डेल्टा-लर्निंग कहते हैं। यहाँ इसका सादृश्य (analogy) दिया गया है:

कल्पना कीजिए कि आप एक प्रशिक्षु शेफ (apprentice chef) हैं जो एक आदर्श सूफ़ले (soufflé) बनाना सीखने की कोशिश कर रहे हैं (यह "मास्टर ब्लूप्रिंट" है)।

चरण 1: आप एक बुनियादी, पहले से बने मिश्रण ( "त्वरित रेखाचित्र" या GFN2-xTB नामक विधि) से शुरुआत करते हैं। यह पूर्ण नहीं है, लेकिन यह तेज़ है और आपको 90% तक पहुँचा देता है।
चरण 2: पूरे सूफ़ले को शुरू से सीखने के बजाय, आप केवल उस अंतर को सीखते हैं जो आपके बुनियादी मिश्रण और आदर्श सूफ़ले के बीच है। आप पूछते हैं: "इसमें क्या कमी है? क्या यह बहुत सूखा है? क्या यह पर्याप्त फूला हुआ नहीं है?"
चरण 3: आप एक स्मार्ट AI (एक मशीन लर्निंग पोटेंशियल) को केवल उस 'लापता अंतर' की भविष्यवाणी करने के लिए प्रशिक्षित करते हैं।

एक बार जब आपके पास यह AI आ जाता है, तो आप बस अपने तेज़ बुनियादी मिश्रण में AI का "सुधार" जोड़ देते हैं, और बस—आपके पास एक आदर्श सूफ़ले होता है, लेकिन आपको AI को सिखाने के लिए केवल एक बार कठिन गणित करना पड़ा।

उन्होंने क्या किया:

प्रशिक्षण (The Training): उन्होंने विशाल आणविक स्पंज के छोटे टुकड़ों (जैसे व्यक्तिगत बेंजीन रिंग और छोटे क्लस्टर) को लिया और "मास्टर ब्लूप्रिंट" विधि का उपयोग करके उनकी "परफेक्ट" ऊर्जा की गणना की।
AI: उन्होंने एक AI को यह सिखाया कि इन छोटे टुकड़ों के लिए "त्वरित रेखाचित्र" और "मास्टर ब्लूप्रिंट" के बीच का सूक्ष्म अंतर कैसे सीखा जाए।
जादू (The Magic): क्योंकि AI ने केवल अंतर को सीखा था, इसलिए उसे विशाल संरचना को समझने के लिए पूरे विशाल किले को देखने की आवश्यकता नहीं थी। वह छोटे टुकड़ों के बारे में जो सीखा था, उसे वह विशाल, अनंत संरचना पर लागू कर सकता था।

परिणाम:
उन्होंने इस नए "AI शेफ" का परीक्षण कार्बन और हाइड्रोजन से बने एक वास्तविक आणविक स्पंज पर किया।

सटीकता: इसने भविष्यवाणी की कि परमाणु कैसे बंधते हैं, वे कैसे कंपन करते हैं, और वे आपस में कैसे जुड़ते हैं, और यह "रासायनिक सटीकता" (अर्थात, यह धीमी, महंगी विधि के समान है) के साथ किया गया।
गति: यह महंगी विधि की तुलना में हजारों गुना तेज़ चलता है।
"स्पंज" परीक्षण: उन्होंने यह पता लगाने के लिए इसका उपयोग किया कि हाइड्रोजन गैस स्पंज से कैसे चिपकती है। AI ने भविष्यवाणी की कि स्पंज हाइड्रोजन को "त्वरित रेखाचित्र" की तुलना में थोड़ा कम मजबूती से पकड़ता है, लेकिन पहले की तुलना में बहुत अधिक सटीकता के साथ। यह ईंधन भंडारण के लिए बेहतर डिजाइन करने के लिए अत्यंत महत्वपूर्ण है।

यह क्यों मायने रखता है:
यह एक निर्माण दल को एक सुपर-फास्ट ड्रोन देने जैसा है जो एक शहर के ऊपर उड़ सकता है और तुरंत बता सकता है कि कमजोर बिंदु कहाँ हैं, बिना इंजीनियरों की एक टीम को भेजे प्रत्येक ईंट को हाथ से मापने की आवश्यकता के।

यह स्वच्छ ऊर्जा, बेहतर बैटरी और प्रदूषण फिल्टर के लिए नए पदार्थों को डिजाइन करने के द्वार खोलता है, जो उस स्तर की सटीकता के साथ संभव है जो पहले इतने बड़े सिस्टम के लिए असंभव थी। उन्होंने केवल एक बेहतर कैलकुलेटर नहीं बनाया; उन्होंने सामग्रियों की नई दुनिया की कल्पना करने का एक तरीका बनाया जिसे हम अब वास्तव में सिम्युलेट (simulate) और समझ सकते हैं।

यहाँ इस शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है: "विस्तारित सहसंयोजक नेटवर्क और वान डर वाल्स (van der Waals) अंतःक्रियाओं वाले तंत्रों के लिए CCSD(T) सटीकता प्राप्त करने वाले मशीन-लर्निंग इंटरएटोमिक पोटेंशियल।"

1. समस्या विवरण (Problem Statement)

मशीन-लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs) ने परमाणु स्तर के सिमुलेशन में क्रांति ला दी है, क्योंकि ये बहुत कम गणनात्मक लागत पर लगभग ab initio सटीकता प्रदान करते हैं। हालाँकि, अधिकांश मौजूदा MLIPs को डेंसिटी फंक्शनल थ्योरी (DFT) डेटा पर प्रशिक्षित किया जाता है। DFT में एक्सचेंज-कोरिलेशन फंक्शनल्स की अंतर्निहित त्रुटियाँ होती हैं और यह अक्सर अर्ध-अनुभवजन्य (semi-empirical) सुधारों के बिना लंबी दूरी की वान डर वाल्स (vdW) अंतःक्रियाओं को सटीक रूप से पकड़ने में विफल रहता है।

कपल्ड क्लस्टर विद सिंगल, डबल, एंड पर्टर्बेटिव ट्रिपल एक्साइटेशन्स (CCSD(T)) रासायनिक सटीकता (1 kcal/mol) के लिए "गोल्ड स्टैंडर्ड" है और इसमें स्वाभाविक रूप से vdW अंतःक्रियाएं शामिल हैं, लेकिन इसकी गणनात्मक लागत बहुत अधिक ( $O(N^7)$ ) है, जो इसके अनुप्रयोग को छोटे अणुओं तक ही सीमित कर देती है।

मुख्य चुनौती: विस्तारित सहसंयोजक नेटवर्क (जैसे, कोवेलेंट ऑर्गेनिक फ्रेमवर्क्स - COFs, पॉलिमर, MOFs) के लिए CCSD(T) डेटा पर प्रशिक्षित MLIPs की कमी है।
बाधा (Bottleneck): आवधिक प्रणालियों (periodic systems) के लिए CCSD(T) संदर्भ डेटा उत्पन्न करना गणनात्मक रूप से अत्यधिक कठिन है। मानक विखंडन रणनीतियाँ (एक आवधिक प्रणाली को अणुओं में काटना) विस्तारित नेटवर्क के लिए विफल हो जाती हैं क्योंकि वे अनपेयर्ड वैलेंस इलेक्ट्रॉन्स (unpaired valence electrons) पेश करती हैं, जो इलेक्ट्रॉनिक संरचना को मौलिक रूप से बदल देती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन $\Delta$ -लर्निंग रणनीति का प्रस्ताव करते हैं जो एक टाइट-बाइंडिंग बेसलाइन के साथ मिलकर, बिना आवधिक CCSD(T) गणनाओं की आवश्यकता के, विस्तारित प्रणालियों के लिए CCSD(T) सटीकता वाले MLIPs को प्रशिक्षित करती है।

A. क्वांटम-केमिकल संदर्भ डेटा (Quantum-Chemical Reference Data)

विधि: संदर्भ ऊर्जाओं की गणना PNO-LCCSD(T)-F12 (पैर नेचुरल ऑर्बिटल लोकल कपल्ड क्लस्टर विद सिंगल, डबल, एंड पर्टर्बेटिव ट्रिपल एक्साइटेशन्स, जिसे F12 एक्सप्लिसिट कोरिलेशन के साथ संवर्धित किया गया है) का उपयोग करके की गई है।
बेसिस सेट (Basis Set): Heavy-aug-cc-pVTZ (भारी परमाणुओं के लिए डिफ्यूज फंक्शन्स के साथ संवर्धित)।
प्रमुख विशेषताएँ:
- F12 सुधार: बेसिस-सेट अपूर्णता त्रुटि को नाटकीय रूप से कम करता है, जिससे ट्रिपल- $\zeta$ बेसिस सेट का उपयोग करके कम्प्लीट बेसिस सेट (CBS) सीमा के करीब पहुँचना संभव होता है।
- ऑल-इलेक्ट्रॉन ट्रीटमेंट: परमाणुकरण ऊर्जा (atomization energies) और कंपन आवृत्तियों (vibrational frequencies) के लिए उच्च सटीकता सुनिश्चित करने हेतु कोर इलेक्ट्रॉन्स को कोरिलेट किया गया है।
- BSSE हैंडलिंग: PNO और F12 विधियों का संयोजन बेसिस सेट सुपरपोजिशन एरर (BSSE) को काफी कम कर देता है, जिससे प्रशिक्षण डेटा जनरेशन के लिए काउंटरपॉइज़ (CP) सुधार की आवश्यकता नहीं रहती।

B. $\Delta$ -लर्निंग रणनीति ( $\Delta$ -Learning Strategy)

कुल CCSD(T) ऊर्जाओं पर सीधे MLIP को प्रशिक्षित करने के बजाय, लेखक ऊर्जा को विभाजित करते हैं:
$E_{\text{CCSD(T)}} = E_{\text{GFN2-xTB}} + \Delta E$

बेसलाइन: GFN2-xTB (एक अर्ध-अनुभवजन्य टाइट-बाइंडिंग विधि)। यह मुख्य सहसंयोजक बॉन्डिंग को कैप्चर करता है और इसमें vdW अंतःक्रियाओं के लिए D4 डिस्पर्शन सुधार शामिल है।
लक्ष्य (Target): MLIP (विशेष रूप से एक मोमेंट टेंसर पोटेंशियल, MTP) को केवल ऊर्जा अंतर ( $\Delta E$ ) पर प्रशिक्षित किया जाता है जो उच्च-स्तरीय CCSD(T) और GFN2-xTB बेसलाइन के बीच का अंतर है।
लाभ: चूंकि GFN2-xTB पहले से ही स्थानीय सहसंयोजक नेटवर्क और लंबी दूरी के डिस्पर्शन को उचित रूप से वर्णित करता है, इसलिए $\Delta E$ छोटा और अत्यधिक स्थानीय होता है। यह MLIP को लक्षित आवधिक संरचना के लिए पूर्णतः ट्रांसफर करने योग्य रहते हुए, केवल आणविक अंशों (मोनोमर्स, डायमर्स, ट्राइमर्स) पर प्रशिक्षित होने की अनुमति देता है।

C. प्रशिक्षण डेटासेट निर्माण (Training Dataset Construction)

लक्षित प्रणाली: कार्बन और हाइड्रोजन ( $C_{48}H_{30}$ ) से बना एक प्रोटोटाइपल क्वासी-2D कोवेलेंट ऑर्गेनिक फ्रेमवर्क (COF)।
अंश (Fragments): प्रशिक्षण सेट में शामिल हैं:
- मोनोमर्स (बेंजीन, बाइफिनाइल, टेरफिनाइल, आदि) जिन्हें अनपेयर्ड इलेक्ट्रॉन्स से बचने के लिए हाइड्रोजन टर्मिनेशन के साथ तैयार किया गया है।
- मल्टीमर्स (डायमर्स, ट्राइमर्स, टेट्रामर्स) जो अंतर-आणविक vdW अंतःक्रियाओं को कैप्चर करते हैं।
- डाइहाइड्रोजन ( $H_2$ ) जो हाइड्रोजन अवशोषण को मॉडल करता है।
कॉन्फ़िगरेशन जनरेशन: विविध कॉन्फ़िगरेशन उत्पन्न करने के लिए GFN2-xTB का उपयोग करके 300 K पर मॉलिक्यूलर डायनेमिक्स (MD) सिमुलेशन किए गए। उच्च-स्तरीय सिंगल-पॉइंट ऊर्जा गणनाओं के लिए स्नैपशॉट्स का चयन किया गया।
डेटासेट का आकार: चार प्रशिक्षण सेट बनाए गए जिनकी जटिलता बढ़ती गई (5 बेंजीन रिंग तक), जिसमें सबसे बड़ा सेट (#5) लगभग 1,872 प्रशिक्षण कॉन्फ़िगरेशन वाला है।

D. मॉडल आर्किटेक्चर (Model Architecture)

पोटेंशियल: मोमेंट टेंसर पोटेंशियल (MTP)।
कटऑफ रेडियस: 7 Å।
ऑप्टिमाइज़ेशन: पैरामीटर्स को BFGS एल्गोरिदम का उपयोग करके अनुकूलित किया गया, जिसमें अभिसरण (convergence) को तेज करने के लिए MTP लेवल 2 पर एक प्री-ऑप्टिमाइज़ेशन स्टेप (लीनियर फिटिंग) शामिल था।

3. प्रमुख योगदान (Key Contributions)

मेथोडोलॉजिकल ब्रेकथ्रू: यह प्रदर्शित किया कि $\Delta$ -लर्निंग के माध्यम से आणविक अंशों पर प्रशिक्षित MLIPs, आवधिक CCSD(T) गणनाओं की आवश्यकता के बिना, विस्तारित सहसंयोजक नेटवर्क वाली प्रणालियों के लिए CCSD(T) सटीकता प्राप्त कर सकते हैं।
ट्रांसफरैबिलिटी का सत्यापन: सिद्ध किया कि छोटे अणुओं और मल्टीमर्स पर प्रशिक्षित पोटेंशियल, संरचनात्मक समरूपता, बाइंडिंग ऊर्जा और कंपन स्पेक्ट्रा सहित एक जटिल 2D COF के गुणों की सटीक भविष्यवाणी कर सकता है।
बेंचमार्किंग: PBE-D4 (DFT), अन्य MLIPs (ANI-1ccx) और उच्च-स्तरीय वेवफंक्शन विधियों के विरुद्ध एक कठोर तुलना प्रदान की, जो अर्ध-अनुभवजन्य सुधारों की सीमाओं और मौजूदा CCSD(T)-प्रशिक्षित पोटेंशियल (जैसे ANI-1ccx) की ट्रांसफरैबिलिटी समस्याओं को उजागर करती है।
COFs के लिए अनुप्रयोग: $C_{48}H_{30}$ COF के विश्लेषण के लिए इस विधि को लागू किया गया, जिससे संरचनात्मक अस्पष्टताओं (जैसे, लेयर ट्विस्टिंग) को हल किया गया और रासायनिक सटीकता के साथ हाइड्रोजन अवशोषण ऊर्जा की गणना की गई।

4. प्रमुख परिणाम (Key Results)

A. सटीकता मेट्रिक्स (Accuracy Metrics)

ऊर्जा त्रुटियाँ (Energy Errors): सर्वश्रेष्ठ मॉडल ( $\Delta$ MTP#5, MTP लेवल 20) ने प्रशिक्षण और टेस्ट सेट (बड़े अणुओं सहित जो प्रशिक्षण में नहीं थे) दोनों पर < 0.4 meV/atom का रूट मीन स्क्वायर एरर (RMSE) प्राप्त किया।
इलेक्ट्रॉनिक टोटल एटोमाइजेशन एनर्जीज़ (eTAEs):
- $H_2$ और $C_6H_6$ के लिए, TB+ $\Delta$ MTP मॉडल ने CCSD(T) मानों को 0.1 kcal/mol के भीतर पुन: प्रस्तुत किया, जो प्रयोगात्मक डेटा से मेल खाता है।
- इसके विपरीत, ANI-1ccx ने भारी त्रुटियां दिखाईं (जैसे, बेंजीन के लिए -1328 kcal/mol) क्योंकि इसके प्रशिक्षण सेट में विशिष्ट आणविक वातावरण और फ्री-एटम संदर्भों की कमी थी।
बॉन्ड लेंथ (Bond Lengths): $H_2$ और $C_6H_6$ के लिए अनुमानित साम्यावस्था बॉन्ड लंबाई प्रयोग से < 0.002 Å विचलित हुई, जो DFT से बेहतर और CCSD(T)-F12 के समान है।
कंपन आवृत्तियाँ (Vibrational Frequencies): $H_2$ के लिए RMSE ~10 cm $^{-1}$ और बेंजीन के लिए ~11 cm $^{-1}$ था, जो CCSD(T)-F12 के तुलनीय है और DFT या ANI-1ccx से काफी बेहतर है।

B. अंतर-आणविक अंतःक्रियाएं (Inter-molecular Interactions)

बेंजीन डायमर: मॉडल ने $\pi$ - $\pi$ स्टैकिंग इंटरेक्शन एनर्जी कर्व को सटीक रूप से पुन: प्रस्तुत किया, जो < 0.6 kcal/mol की त्रुटियों के साथ संदर्भ CCSD(T)/CBS मानों से मेल खाता है।
विकल्पों की सीमाएँ: ANI-1ccx लंबी दूरी पर डिस्पर्शन अंतःक्रियाओं को पकड़ने में विफल रहा (5.6 Å के बाद शून्य हो गया) क्योंकि इसके प्रशिक्षण सेट में मल्टीमर्स की कमी थी।

C. $C_{48}H_{30}$ COF के लिए अनुप्रयोग

संरचनात्मक स्थिरता: पोटेंशियल ने सही ढंग से पहचाना कि पूरी तरह से इक्लिप्स्ड (eclipsed) $P6/mmm $संरचना गतिशील रूप से अस्थिर (इमेजिनरी फोनन मोड) है, और यह ट्विस्टेड **$ C222$** संरचना की ओर झुक गई, जो ~10 meV/atom द्वारा ऊर्जावान रूप से अनुकूलित है।
ज्यामितीय पैरामीटर्स:
- इंटर-लेयर दूरी: 3.673 Å (ग्राफाइट के 3.35 Å के मुकाबले), जो COFs की विरल प्रकृति के अनुरूप है।
- नोड दूरी: 12.891 Å, जो प्रयोगात्मक माप (12.9–13.6 Å) से मेल खाती है।
हाइड्रोजन अवशोषण: मॉडल ने इष्टतम साइट पर $H_2$ अवशोषण ऊर्जा -0.9 kcal/mol बताई, जो GFN2-xTB (-1.1 kcal/mol) की तुलना में काफी कमजोर है, लेकिन ग्राफाइट की तुलना में COFs में अपेक्षित कम डिस्पर्शन इंटरेक्शन के अनुरूप है।

5. महत्व और प्रभाव (Significance and Impact)

बड़े तंत्रों के लिए रासायनिक सटीकता: यह कार्य उच्च-सटीकता वाली क्वांटम केमिस्ट्री और बड़े पैमाने के सामग्री सिमुलेशन के बीच के अंतर को पाटता है। यह जटिल, vdW-डोमिनेटेड सामग्रियों (जैसे COFs, MOFs और पॉलिमर) के अध्ययन को रासायनिक सटीकता (1 kcal/mol) के साथ सक्षम बनाता है, जो पहले इस आकार के तंत्रों के लिए अप्राप्य था।
दक्षता: TB+ $\Delta$ MTP पोटेंशियल का मूल्यांकन करने की गणनात्मक लागत क्लासिकल फोर्स फील्ड के बराबर है और DFT से काफी कम है, जबकि यह CCSD(T) की विश्वसनीयता बनाए रखता है।
सामान्यीकरण (Generalizability): यह वर्कफ़्लो ट्रांसफर करने योग्य है। विविध रासायनिक अंशों को शामिल करके प्रशिक्षण सेट का विस्तार करके, इस दृष्टिकोण को सामग्रियों की एक विस्तृत श्रृंखला पर लागू किया जा सकता है, जिससे गैस भंडारण, पृथक्करण और उत्प्रेरण (catalysis) के लिए नए छिद्रपूर्ण (porous) पदार्थों की खोज में तेजी आ सकती है।
विश्वसनीयता: "लोकल एक्सट्रपलेशन ग्रेड्स" का उपयोग करने से उपयोगकर्ताओं को आवधिक प्रणालियों में भविष्यवाणियों की अनिश्चितता को मापने की अनुमति मिलती है, जिससे नए कॉन्फ़िगरेशन पर MLIP की विश्वसनीयता सुनिश्चित होती है।

निष्कर्षतः, यह शोध पत्र बड़े पैमाने के परमाणु सिमुलेशन के लिए गोल्ड-स्टैंडर्ड क्वांटम केमिकल सटीकता के साथ करने के लिए एक मजबूत, व्यावहारिक मार्ग स्थापित करता है, जो DFT (सटीकता) और CCSD(T) (लागत/स्केलेबिलिटी) की ऐतिहासिक सीमाओं को पार करता है।