🔬 materials science

Physics-informed Hamiltonian learning for large-scale optoelectronic property prediction

HAMSTER एक भौतिकी-सूचित मशीन लर्निंग फ्रेमवर्क है जो अनुमानित भौतिक मॉडलों को न्यूनतम प्रथम-सिद्धांत डेटा के साथ जोड़कर बड़े पैमाने की, जटिल रासायनिक प्रणालियों के क्वांटम-मैकेनिकल हैमिल्टोनियन की भविष्यवाणी करता है, जिससे सटीक और स्केलेबल ऑप्टोइलेक्ट्रॉनिक गुणों का पूर्वानुमान संभव हो पाता है।

मूल लेखक: Martin Schwade, Shaoming Zhang, Frederik Vonhoff, Frederico P. Delgado, David A. Egger

प्रकाशित 2026-02-10

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Martin Schwade, Shaoming Zhang, Frederik Vonhoff, Frederico P. Delgado, David A. Egger

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि गर्मी की लहर (heatwave) के दौरान एक विशाल, हलचल भरे शहर का व्यवहार कैसा होगा।

आप हर एक व्यक्ति, हर एक कार और हर एक एयर कंडीशनर को व्यक्तिगत रूप से ट्रैक करने की कोशिश कर सकते हैं (यह First-Principles/DFT सिमुलेशन की तरह है)। यह अविश्वसनीय रूप से सटीक होगा, लेकिन इसमें इतनी अधिक कंप्यूटर शक्ति लगेगी कि आपका गणित पूरा होने से पहले ही गर्मी की लहर खत्म हो जाएगी।

वैकल्पिक रूप से, आप एक बहुत ही सरल नियम का उपयोग कर सकते हैं, जैसे "जब गर्मी बढ़ती है, तो लोग घर के अंदर रहते हैं" (यह एक पारंपरिक भौतिकी मॉडल (Traditional Physics Model) की तरह है)। यह तेज़ है, लेकिन बहुत सरल है—यह उन बारीकियों को छोड़ देता है कि कैसे ट्रैफिक जाम या बिजली कटौती सब कुछ बदल देती है।

इस शोध पत्र में शोधकर्ताओं ने एक "स्मार्ट मध्य मार्ग" बनाया है जिसे Hamster कहा जाता है। यह इस प्रकार काम करता है।

1. "कंकाल" (भौतिकी मॉडल)

शून्य से शुरुआत करने के बजाय, Hamster सच्चाई के एक "कंकाल" के साथ शुरू होता है। यह एक प्रसिद्ध भौतिकी ढांचे (जिसे Tight-Binding कहा जाता है) का उपयोग करता है जो पहले से ही समझता है कि परमाणु आपस में कैसे क्रिया करते हैं। यह एक मौसम पूर्वानुमान को इस ज्ञान के साथ शुरू करने जैसा है कि "सूरज पूर्व में उगता है" और "गर्म हवा ऊपर उठती है।" आप शून्य से शुरुआत नहीं कर रहे हैं; आपके पास पहले से ही एक आधार है।

2. "मांसपेशियां और त्वचा" (मशीन लर्निंग)

"कंकाल" के साथ समस्या यह है कि यह बहुत कठोर है। यह वास्तविक दुनिया की "अराजकता" को ध्यान में नहीं रखता—जैसे कि जब परमाणु गर्म होते हैं तो वे कैसे हिलते और कंपन करते हैं (डायनेमिक डिसऑर्डर)।

यहीं पर मशीन लर्निंग (ML) आती है। मशीन लर्निंग को उस स्मार्ट मांसपेशी और त्वचा की परत के रूप में सोचें जिसे आप कंकाल के चारों ओर लपेटते हैं। ML सब कुछ सीखने की कोशिश नहीं करता; यह केवल उन त्रुटियों या लापता विवरणों को सीखने पर ध्यान केंद्रित करता है जिन्हें कंकाल चूक गया था। यह कुछ वास्तविक दुनिया के उदाहरणों को देखता है और कहता है, "ठीक है, भौतिकी मॉडल कहता है कि तापमान 70 डिग्री होना चाहिए, लेकिन वास्तव में, यह 75 डिग्री है। मैं उस 5-डिग्री के अंतर को पाटने के लिए सीखूँगा।"

3. इसे "Hamster" क्यों कहा जाता है?

इसका नाम Hamiltonian-learning Approach for Multiscale Simulations using a Transferable and Efficient Representation से बना है।

लेकिन आप इसे इस तरह भी देख सकते हैं: पहिए में दौड़ता हुआ एक हैम्स्टर एक छोटा, कुशल इंजन है जो चलता रहता है। यह मॉडल "छोटा" (इसे भारी मात्रा में डेटा की आवश्यकता नहीं है) और "कुशल" (यह भारी-भरकम सिमुलेशन की तुलना में बहुत तेज़ी से चलता है) होने के लिए डिज़ाइन किया गया है।

4. बड़ी जीत: स्केलिंग अप (Scaling Up)

शोधकर्ताओं ने इसका परीक्षण हैलाइड पेरोव्स्काइट्स (halide perovskites) पर किया—जो सौर सेल और LED की दुनिया में सुपरस्टार सामग्री हैं। ये सामग्रियां विशेष रूप से "लचीली" और जटिल होती हैं; तापमान के आधार पर इनके गुण बहुत बदलते हैं।

स्पीड डेमन (गति का उस्ताद): जबकि पारंपरिक तरीके संघर्ष करते हैं जब सिस्टम बड़ा हो जाता है, Hamster हजारों परमाणुओं वाले सिस्टम को संभाल सकता है। यह एक पूरे महाद्वीप के मौसम की भविष्यवाणी करने में उतनी ही आसानी से सक्षम होने जैसा है जितनी आसानी से आप अपने पिछवाड़े की भविष्यवाणी कर सकते हैं।
डेटा बचाने वाला (Data Saver): अधिकांश AI मॉडल को सीखने के लिए लाखों उदाहरण देखने की आवश्यकता होती है। Hamster एक "तेज़ सीखने वाला" है। यह कुछ ही उच्च-गुणवत्ता वाले उदाहरणों को देखकर सटीक रूप से भविष्यवाणी कर सकता है कि विभिन्न तापमानों और संरचनाओं में सामग्री कैसे व्यवहार करेगी।

सारांश

संक्षेप में, यह शोध पत्र "लो-रेज़ोल्यूशन" प्रयास के साथ "हाई-डेफिनिशन" सटीकता प्राप्त करने का एक तरीका प्रस्तुत करता है। भौतिकी के "सामान्य ज्ञान" को AI की "पैटर्न पहचान" के साथ जोड़कर, उन्होंने एक ऐसा उपकरण बनाया है जो वैज्ञानिकों को पहले की तुलना में बहुत तेज़ी से अगली पीढ़ी के सौर पैनलों और इलेक्ट्रॉनिक उपकरणों को डिजाइन करने में मदद कर सकता है।

तकनीकी सारांश: बड़े पैमाने के ऑप्टोइलेक्ट्रॉनिक गुण पूर्वानुमान के लिए भौतिकी-सूचित हैमिल्टोनियन लर्निंग (Physics-Informed Hamiltonian Learning)

1. समस्या विवरण

बड़े पैमाने की, जटिल रासायनिक प्रणालियों के ऑप्टोइलेक्ट्रॉनिक गुणों (जैसे बैंड गैप और इलेक्ट्रॉनिक संरचना) की भविष्यवाणी करना सामग्री डिजाइन के लिए आवश्यक है। हालांकि, शोधकर्ता एक मौलिक व्यापार-बंद (trade-off) का सामना करते हैं:

प्रथम-सिद्धांत विधियाँ (जैसे DFT): अत्यधिक सटीक हैं लेकिन बड़े सिस्टम (हजारों परमाणु) और परिमित तापमान (finite temperatures) के लिए प्रतिकूल स्केलिंग के कारण गणनात्मक रूप से अत्यधिक महंगी हैं।
शुद्ध डेटा-संचालित मशीन लर्निंग (ML): तेज़ हो सकती है लेकिन इसके लिए विशाल डेटासेट की आवश्यकता होती है, इसमें भौतिक व्याख्यात्मकता (physical interpretability) का अभाव होता है, और यह अक्सर नए रासायनिक वातावरण या गतिशील तापीय उतार-चढ़ाव (thermal fluctuations) तक सामान्यीकरण करने में संघर्ष करती है।
अनुमानित भौतिक मॉडल (जैसे टाइट-बाइंडिंग): अत्यधिक कुशल और व्याख्यात्मक हैं लेकिन उनमें जटिल प्रभावों जैसे कि डायनेमिक डिसऑर्डर और इलेक्ट्रॉन-फोनोन कपलिंग को पकड़ने के लिए आवश्यक सटीकता और हस्तांतरणीयता (transferability) की कमी है।

2. कार्यप्रणाली: "हैमस्टर" (Hamster) फ्रेमवर्क

लेखक Hamster (Hamiltonian-learning Approach for Multiscale Simulations using a Transferable and Efficient Representation) पेश करते हैं, जो एक $\Delta$ ML (डेल्टा-मशीन लर्निंग) फ्रेमवर्क है। शून्य से हैमिल्टोनियन सीखने के बजाय, हैमस्टर एक मौजूदा भौतिक मॉडल के सुधार (correction) को सीखता है।

मुख्य घटक शामिल हैं:

आधार भौतिक मॉडल (Base Physical Model): एक पारंपरिक टाइट-बाइंडिंग (TB) मॉडल जो ऑर्बिटल इंटरैक्शन, दूरी और ओरिएंटेशन को ध्यान में रखता है। इसमें भारी तत्वों को संभालने के लिए स्पिन-ऑर्बिट कपलिंग (SOC) को भी स्पष्ट रूप से शामिल किया गया है।
$\Delta$ ML सुधार: एक रेडियल बेसिस फंक्शन (RBF) कर्नेल मॉडल जो अनुमानित TB हैमिल्टोनियन और वास्तविक (ground-truth) DFT हैमिल्टोनियन के बीच के अंतर ( $\delta H$ ) की भविष्यवाणी करता है।
पर्यावरण डिस्क्रिप्टर (Environment Descriptors): यह पकड़ने के लिए कि एक स्थानीय वातावरण परमाणुओं $i$ $i$ और $j$ $j$ के बीच इलेक्ट्रॉनिक इंटरैक्शन को कैसे प्रभावित करता है, मॉडल एक डिस्क्रिप्टर वेक्टर $x_{ij}^R$ $x_{ij}^{R}$ का उपयोग करता है जो निम्न को एनकोड करता है:
- परमाणु संख्या ( $Z_i, Z_j$ )।
- ज्यामितीय विशेषताएं (परमाणु दूरी, ऑर्बिटल ओरिएंटेशन और कोण)।
- स्थानीय पर्यावरण इंटीग्रल्स (Local Environment Integrals): दोनों परमाणुओं $i$ और $j$ के आसपास के परमाणु घनत्व का एक सुचारू प्रतिनिधित्व, जो यह सुनिश्चित करता है कि मॉडल many-body/environment प्रभावों को कैप्चर करे।
अनुकूलन रणनीति (Optimization Strategy): मॉडल मापदंडों को ग्रेडिएंट डिसेंट का उपयोग करके अनुकूलित किया जाता है। महत्वपूर्ण रूप से, लॉस फंक्शन (loss function) ऊर्जा आइगेनवैल्यू (energy eigenvalues) में त्रुटि द्वारा परिभाषित किया जाता है (न कि मैट्रिक्स तत्वों द्वारा), जिससे प्रशिक्षण लक्ष्य सीधे अवलोकन योग्य गुणों के लिए प्रासंगिक हो जाते हैं।

3. मुख्य योगदान

हाइब्रिड आर्किटेक्चर: भौतिकी-आधारित अनुमानों की दक्षता को कर्नेल-आधारित मशीन लर्निंग के लचीलेपन के साथ सफलतापूर्वक एकीकृत करता है।
डेटा दक्षता: यह प्रदर्शित करता है कि एक भौतिक "प्रायर" (prior) से शुरू करके, शुद्ध न्यूरल-नेटवर्क-आधारित दृष्टिकोणों की तुलना में प्रशिक्षण के लिए आवश्यक महंगे DFT डेटा की मात्रा कई गुना कम हो जाती है।
सममिति संरक्षण (Symmetry Preservation): डिस्क्रिप्टर निर्माण यह सुनिश्चित करता है कि हैमिल्टोनियन मौलिक भौतिक सममितियों (जैसे, $H_{ij} = H_{ji}$ ) का सम्मान करे, जिससे सामान्यीकरण में सुधार होता है।
स्केलेबिलिटी: यह हजारों परमाणुओं वाले सिस्टम को सिम्युलेट करने का मार्ग प्रदान करता है, जो मानक DFT के लिए असंभव है।

4. परिणाम

फ्रेमवर्क को दो प्राथमिक प्रणालियों पर मान्य किया गया:

GaAs (टेस्ट केस): हैमस्टर ने 400 K पर आइगेनवैल्यू की भविष्यवाणी करने में सब-50 meV सटीकता प्राप्त की, जिससे शुद्ध TB मॉडलों में पाई जाने वाली व्यवस्थित त्रुटियों को काफी कम किया गया।
हैलाइड पेरोव्स्काइट्स ( $\text{CsPbBr}_3$ और $\text{MAPbBr}_3$ ):
- सटीकता और डेटा दक्षता: $\text{CsPbBr}_3$ के लिए, मॉडल केवल 10 प्रशिक्षण संरचनाओं के साथ अभिसरित (converge) हुआ, जबकि मानक मॉडलों को सैकड़ों की आवश्यकता होती है।
- तापमान हस्तांतरणीयता (Temperature Transferability): 425 K पर प्रशिक्षित होने के बावजूद, मॉडल ने 525 K और 625 K पर बैंड गैप उतार-चढ़ाव और तापमान निर्भरता की सटीक भविष्यवाणी की।
- बड़े पैमाने का सिमुलेशन: मॉडल को $16 \times 16 \times 16$ सुपरसेल ( $\approx 20,480$ परमाणु) और $\text{MAPbBr}_3$ सिस्टम ( $\approx 50,000$ परमाणु) पर लागू किया गया। इसने सुपरसेल आकार बढ़ने के साथ बैंड गैप में कमी को सटीक रूप से कैप्चर किया, जो प्रयोगात्मक रुझानों से मेल खाता है।
- कंप्यूटेशनल स्केलिंग: हैमिल्टोनियन निर्माण सिस्टम के आकार के साथ रैखिक रूप से स्केल करता है, और आंशिक विकर्णीकरण (partial diagonalization - लैंकोस एल्गोरिदम का उपयोग करके) बैंड किनारों के पास गुणों के कुशल निष्कर्षण की अनुमति देता है।

5. महत्व

यह कार्य यथार्थवादी सामग्री मॉडलिंग (realistic materials modeling) की ओर एक महत्वपूर्ण कदम है। प्रथम-सिद्धांत सिद्धांत (first-principles theory) और बड़े पैमाने के मॉलिक्यूलर डायनेमिक्स के बीच के अंतर को पाटकर, हैमस्टर वास्तविक परिचालन स्थितियों (परिमित तापमान, संरचनात्मक विकार और बड़े पैमाने के दोष) के तहत ऑप्टोइलेक्ट्रॉनिक सामग्रियों के अध्ययन को सक्षम बनाता है। इसका अगली पीढ़ी के फोटोवोल्टिक्स, LED और क्वांटम जैविक मॉडलों के तर्कसंगत डिजाइन के लिए गहरा प्रभाव है, जहाँ रसायन विज्ञान और गतिशीलता (dynamics) का परस्पर संबंध महत्वपूर्ण है।