Reconstructing the Hamiltonian from the local density of states using neural networks
यह शोध पत्र प्रदर्शित करता है कि कनवल्शनल न्यूरल नेटवर्क के साथ सुपरवाइज्ड लर्निंग, स्थानीय अवस्था घनत्व (लोकल डेंसिटी ऑफ स्टेट्स) के स्थानिक मानचित्रों से सिंगल-पार्टिकल हैमिल्टोनियन को सटीक रूप से पुनर्गठित कर सकती है, जो स्कैनिंग टनलिंग माइक्रोस्कोपी में संभावित अनुप्रयोगों के साथ एक सुदृढ़ विधि प्रदान करती 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
क्वांटम भौतिकी की दुनिया में, वैज्ञानिक अक्सर किसी कण के संचलन की भविष्यवाणी करने के लिए इलाके के एक मानचित्र से शुरुआत करते हैं। इस मानचित्र को हैमिल्टोनियन (Hamiltonian) कहा जाता है, जो ऊर्जा परिदृश्य का एक गणितीय विवरण है जो इलेक्ट्रॉनों को किसी पदार्थ के माध्यम से निर्देशित करता है। यदि आप इस परिदृश्य के आकार को जानते हैं, तो आप गणना कर सकते हैं कि इलेक्ट्रॉन कैसे व्यवहार करते हैं, वे बिजली का संचालन कैसे करते हैं, या चुंबकीय क्षेत्रों के प्रति कैसी प्रतिक्रिया देते हैं। हालांकि, वास्तविक दुनिया में, स्थिति अक्सर इसके विपरीत होती है। वैज्ञानिक अक्सर एक विशिष्ट ऊर्जा स्तर पर स्थान में इलेक्ट्रॉन कैसे वितरित होते हैं, इसे मापने में सक्षम होते हैं, जिसे स्थानीय अवस्था घनत्व (local density of states) के रूप में जाना जाता है। यह माप एक तालाब में पत्थर फेंकने के बाद उत्पन्न होने वाली लहरों को देखने जैसा है, लेकिन बिना यह जाने कि उन लहरों का कारण बनने वाला पत्थर किस आकार का था या पानी की गहराई कितनी थी। चुनौती लंबे समय से इन लहरों से मूल परिदृश्य को पुनर्गठित करने में रही है। यह एक कठिन कार्य है क्योंकि कई अलग-अलग परिदृश्य समान लहरें उत्पन्न कर सकते हैं, जिससे यह समस्या गणितीय रूप से संदिग्ध हो जाती है। फिर भी, छिपे हुए ऊर्जा परिदृश्य को समझना नए पदार्थों को डिजाइन करने और पदार्थ के मौलिक गुणों को समझने के लिए अत्यंत महत्वपूर्ण है।
मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने 'कन्वोल्यूशनल न्यूरल नेटवर्क' नामक कृत्रिम बुद्धिमत्ता के एक प्रकार का उपयोग करके इस रिवर्स-इंजीनियरिंग समस्या का समाधान किया है। जटिल समीकरणों को हल करने के बजाय, उन्होंने एक कंप्यूटर को पैटर्न पहचानने के लिए प्रशिक्षित किया, ठीक वैसे ही जैसे एक बच्चा कई उदाहरण देखकर चेहरे को पहचानना सीखता है। शोधकर्ताओं ने हजारों सिम्युलेटेड परिदृश्य बनाए जहाँ वे छिपे हुए ऊर्जा परिदृश्य और परिणामी इलेक्ट्रॉन पैटर्न दोनों को जानते थे। उन्होंने इन डेटा युग्मों को कंप्यूटर में डाला, जिससे इसे दोनों के बीच के संबंध को सीखने में मदद मिली। प्रशिक्षित होने के बाद, कंप्यूटर का परीक्षण नए, अनदेखे पैटर्न पर किया गया। परिणाम आश्चर्यजनक थे: न्यूरल नेटवर्क ने इलेक्ट्रॉन पैटर्न से मूल ऊर्जा परिदृश्य को उल्लेखनीय सटीकता के साथ पुनर्गठित किया। एक-आयामी (one-dimensional) सिमुलेशन में, कंप्यूटर ने बहुत कम त्रुटियां कीं, और दो-आयामी (two-dimensional) सिमुलेशन में, पुनर्गठन इतना सटीक था कि अनुमानित परिदृश्य वास्तविक परिदृश्य से लगभग अभिन्न था।
शोधकर्ताओं ने पाया कि यह विधि तब भी अच्छी तरह काम करती है जब डेटा अपूर्ण होता है। वास्तविक दुनिया के प्रयोगों में, माप अक्सर शोरयुक्त (noisy) होते हैं, जिसका अर्थ है कि डेटा में यादृच्छिक उतार-चढ़ाव होते हैं जो वास्तविक संकेत को धुंधला कर देते हैं। टीम ने अपने मॉडल का परीक्षण प्रशिक्षण डेटा में कृत्रिम शोर जोड़कर किया, जिससे कंप्यूटर को शोर (static) को अनदेखा करने और अंतर्निहित पैटर्न पर ध्यान केंद्रित करने की शिक्षा मिली। उन्होंने पाया कि इस अतिरिक्त प्रशिक्षण के साथ, मॉडल शोर से अत्यधिक दूषित होने के बावजूद मजबूत बना रहा। इसके अलावा, मॉडल ने एक आश्चर्यजनक सामान्यीकरण (generalize) क्षमता दिखाई। यह न केवल उस डेटा पर अच्छा प्रदर्शन करता था जो बिल्कुल वैसा ही दिखता था जैसा उसने पहले देखा था, बल्कि उस डेटा पर भी जहाँ अंतर्निहित स्थितियाँ, जैसे कि विकार (disorder) की ताकत या ऊर्जा विंडो का आकार, थोड़ा अलग था। यह सुझाव देता है कि मॉडल ने केवल विशिष्ट उदाहरणों को याद करने के बजाय परिदृश्य और इलेक्ट्रॉन पैटर्न के बीच के मौलिक संबंध को सीखा है।
इस कार्य के सीधे निहितार्थ 'स्कैनिंग टनलिंग माइक्रोस्कोपी' नामक एक शक्तिशाली इमेजिंग तकनीक के लिए हैं, जो वैज्ञानिकों को परमाणु स्तर पर पदार्थों की सतह को देखने की अनुमति देती है। यह सूक्ष्मदर्शी स्थानीय अवस्था घनत्व को मापता है, जिससे सतह पर इलेक्ट्रॉन कैसे वितरित होते हैं, इसके विस्तृत चित्र प्राप्त होते हैं। वर्तमान में, वैज्ञानिक इन चित्रों का उपयोग दोषों या विशिष्ट परमाणु व्यवस्थाओं को पहचानने के लिए करते हैं, लेकिन इन चित्रों से पूर्ण ऊर्जा परिदृश्य निकालना कठिन रहा है। नया दृष्टिकोण बताता है कि इन्हीं चित्रों का उपयोग नमूने के पूर्ण, अज्ञात ऊर्जा परिदृश्य को प्रकट करने के लिए किया जा सकता है। इससे शोधकर्ता यह मॉडल कर पाएंगे कि कोई पदार्थ विभिन्न स्थितियों के तहत, जैसे कि चुंबकीय क्षेत्र के संपर्क में आने या तापमान परिवर्तन के दौरान, कैसे व्यवहार करेगा, बिना परमाणु संरचना को पहले से जाने। जबकि वर्तमान अध्ययन सरल, गैर-परस्पर क्रिया करने वाले (non-interacting) प्रणालियों पर केंद्रित था, इस पद्धति की सफलता समान तकनीकों को अधिक जटिल पदार्थों पर लागू करने का मार्ग प्रशस्त करती है, जो संभावित रूप से भविष्य के पदार्थों का विश्लेषण और डिजाइन करने के तरीके को बदल सकती है।
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।