🔬 materials science

Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials

यह शोध पत्र NextHAM को प्रस्तुत करता है, जो एक नवीन E(3)-सममित ट्रांसफॉर्मर आर्किटेक्चर और एक ज़ीरोथ-स्टेप हैमिल्टोनियन सुधार रणनीति को एक बड़े पैमाने के बेंचमार्क डेटासेट (Materials-HAM-SOC) के साथ जोड़कर एक सार्वभौमिक डीप लर्निंग फ्रेमवर्क है, ताकि स्पिन-ऑर्बिट कपलिंग प्रभावों को स्पष्ट रूप से ध्यान में रखते हुए विविध सामग्रियों में इलेक्ट्रॉनिक-संरचना हैमिल्टोनियन की अत्यधिक सटीक और कुशल भविष्यवाणी प्राप्त की जा सके।

मूल लेखक: Shi Yin, Zujian Dai, Xinyang Pan, Lixin He

प्रकाशित 2026-03-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shi Yin, Zujian Dai, Xinyang Pan, Lixin He

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

🧱 बड़ी तस्वीर: हमें इसकी आवश्यकता क्यों है?

कल्पना कीजिए कि आप एक नई गगनचुंबी इमारत डिजाइन करने की कोशिश कर रहे हैं। यह जानने के लिए कि क्या वह खड़ी रहेगी, आपको हर एक ईंट, बीम और बोल्ट के भौतिकी (physics) को समझना होगा। पदार्थ विज्ञान (materials science) की दुनिया में, "ईंटें" परमाणु (atoms) हैं, और "भौतिकी" यह है कि इलेक्ट्रॉन उनके चारों ओर कैसे घूमते हैं।

परंपरागत रूप से, वैज्ञानिक इस काम के लिए DFT (डेंसिटी फंक्शनल थ्योरी) नामक विधि का उपयोग करते हैं। DFT को एक सुपर-सटीक, सुपर-धीमे कैलकुलेटर के रूप में समझें। यह एक विशाल पहेली को हल करने के लिए लाखों अनुमान लगाने की कोशिश करता है जब तक कि उसे सही उत्तर न मिल जाए।

समस्या: एक छोटे अणु (molecule) का सिमुलेशन करने में दिनों या हफ्तों का समय लगता है, और परमाणुओं के पूरे शहर का सिमुलेशन करना असंभव है। यह हर एक रंग को हाथ से एक-एक बूंद करके मिलाने की कोशिश करने जैसा है।

डीप लर्निंग (Deep Learning) वह नया उपकरण है जो इसकी गति बढ़ाने की कोशिश करता है। यह एक AI कलाकार की तरह है जिसने लाखों पेंटिंग्स देखी हैं और वह तुरंत अगले स्ट्रोक का अनुमान लगा सकता है। हालाँकि, पिछले AI कलाकार दो चीजों में खराब थे:

वे हर प्रकार के परमाणु को नहीं संभाल सकते थे (वे केवल कुछ ही जानते थे)।
वे अक्सर "घोस्ट" (ghost) गलतियाँ करते थे—ऐसे भविष्यवाणियां करते थे जो कागज पर तो ठीक दिखती थीं लेकिन वास्तविकता में ढह जाती थीं।

यह पेपर NextHAM पेश करता है, जो एक नया AI मॉडल है जो तेज़, स्मार्ट और लगभग किसी भी सामग्री के लिए काम करने योग्य है जिसकी आप कल्पना कर सकते हैं।

🚀 NextHAM की तीन महाशक्तियाँ

लेखकों ने ऊपर दी गई समस्याओं को हल करने के लिए तीन चतुर तरीकों का उपयोग करके NextHAM बनाया है।

1. "चीट शीट" (Zeroth-Step Hamiltonians)

समस्या: कल्पना कीजिए कि आप एक छात्र को शून्य से एक जटिल गणितीय समस्या हल करने के लिए कह रहे हैं। उन्हें संघर्ष करना पड़ सकता है क्योंकि वे नहीं जानते कि शुरुआत कहाँ से करें। पिछले AI मॉडल बिना किसी आधार के उत्तर सीखने की कोशिश करते थे, जिसमें हर तत्व के लिए रैंडम अनुमान लगाए जाते थे।

समाधान: NextHAM एक "चीट शीट" का उपयोग करता है। AI द्वारा अनुमान लगाना शुरू करने से पहले, यह उत्तर के एक कच्चे ड्राफ्ट को देखता है जिसे Zeroth-Step Hamiltonian कहा जाता है।

उपमा: केक बनाने की कल्पना करें। AI से शुरुआत से रेसिपी आविष्कार करने के बजाय, आप उसे एक पहले से तैयार मिश्रण (Zeroth-Step) देते हैं। AI को यह पता लगाने की ज़रूरत नहीं है कि आटा और अंडे कैसे मिलाए जाएं; उसे बस यह पता लगाना है कि इसे परफेक्ट बनाने के लिए कितनी चीनी डालनी है।
यह कैसे मदद करता है: यह "मिश्रण" बुनियादी भौतिकी का उपयोग करके बहुत तेज़ी से निकाला जा सकता है। AI को यह शुरुआती बढ़त देकर, यह बहुत तेज़ी से सीखता है और उन नए तत्वों (elements) को भी संभाल सकता है जिन्हें इसने पहले कभी नहीं देखा है।

2. "आकार बदलने वाला वास्तुकार" (E(3)-Symmetry & Transformers)

समस्या: परमाणु 3D वस्तुएं हैं। यदि आप एक अणु को घुमाते हैं, तो भौतिकी नहीं बदलनी चाहिए। पुराने AI मॉडल अक्सर तब भ्रमित हो जाते थे जब वे किसी अणु को अलग कोण से देखते थे, जैसे कि कोई व्यक्ति जिसे अपनी कुर्सी घुमाने पर चक्कर आने लगते हैं। साथ ही, वे जटिल अंतःक्रियाओं (interactions) को समझने के लिए पर्याप्त "एक्सप्रेसिव" नहीं थे।

समाधान: NextHAM को E(3)-Symmetry के साथ बनाया गया है।

उपमा: एक सार्वभौमिक अनुवादक की कल्पना करें जो "भौतिकी" को धाराप्रवाह बोलता है। चाहे आप परमाणुओं को कैसे भी घुमाएं, पलटें या हिलाएं, यह अनुवादक ब्रह्मांड के नियमों को जानता है और कहता है, "आह, यह वही आकार है, बस तिरछा खड़ा है।"
Transformer: उन्होंने AI के दिमाग को एक Transformer (वही तकनीक जो चैटबॉट्स के पीछे है) के साथ अपग्रेड किया। एक समय में केवल एक पड़ोसी को देखने के बजाय, यह पूरे पड़ोस को एक साथ देखता है, यह समझते हुए कि एक दूर का परमाणु एक करीबी परमाणु को कैसे प्रभावित कर सकता है। यह जटिल सामग्रियों की भविष्यवाणी करने में अविश्वसनीय रूप से स्मार्ट बनाता है।

3. "डबल-चेक सिस्टम" (Real Space vs. Reciprocal Space)

समस्या: यह सबसे महत्वपूर्ण नवाचार है। कभी-कभी एक AI ऐसी सामग्री की भविष्यवाणी करता है जो स्थानीय स्तर पर (परमाणु-से-परमाणु) तो एकदम सही दिखती है, लेकिन बड़े स्तर पर (पूरे क्रिस्टल) विफल हो जाती है। यह "घोस्ट स्टेट्स" (Ghost States) बनाता है—नकली ऊर्जा स्तर जो वास्तविकता में मौजूद नहीं होते, जैसे कि एक पुल जो ठोस दिखता है लेकिन उसमें एक छिपा हुआ दरार है।

समाधान: NextHAM दो अलग-अलग दुनियाओं में एक साथ अपने काम की जाँच करता है:

रियल स्पेस (R-Space): परमाणुओं और उनके तत्काल पड़ोसियों (ईंटों) को देखना।
रेसिप्रोकल स्पेस (k-Space): पूरी सामग्री में इलेक्ट्रॉनों के "वेव पैटर्न" (तरंग पैटर्न) को देखना (इमारत की लय)।
उपमा: एक म्यूजिक प्रोड्यूसर की कल्पना करें। केवल R-Space की जाँच करना प्रत्येक व्यक्तिगत वाद्य यंत्र के ट्यून में होने की जाँच करने जैसा है। k-Space की जाँच करना पूरे गाने को सुनने जैसा है ताकि यह सुनिश्चित हो सके कि धुन बह रही है और कोई अजीब या बेसुरा नोट नहीं है।
परिणाम: AI को इन दोनों जाँचों को संतुष्ट करने के लिए प्रशिक्षित करके, NextHAM "घोस्ट स्टेट्स" को खत्म कर देता है। यदि AI नकल करने की कोशिश करता है, तो डबल-चेक सिस्टम उसे तुरंत पकड़ लेता है।

📚 नई लाइब्रेरी (The Dataset)

इस सुपर-AI को प्रशिक्षित करने के लिए, लेखक पुराने डेटा का उपयोग नहीं कर सकते थे। उन्होंने Materials-HAM-SOC नामक एक विशाल नई लाइब्रेरी बनाई।

आकार: इसमें 17,000 विभिन्न पदार्थ संरचनाएं शामिल हैं।
विविधता: यह 60 से अधिक विभिन्न तत्वों (हाइड्रोजन से लेकर भारी धातुओं तक) को कवर करता है और इसमें एक कठिन भौतिक प्रभाव शामिल है जिसे Spin-Orbit Coupling कहा जाता है (जो चुंबकों और भविष्य के कंप्यूटरों के लिए महत्वपूर्ण है)।
महत्व: इससे पहले, AI मॉडल ऐसे छात्रों की तरह थे जिन्होंने केवल एक ही किताब पढ़ी हो। अब, उनके पास दुनिया की हर किताब की लाइब्रेरी है। यह AI को सामग्रियों के "सार्वभौमिक नियमों" को सीखने की अनुमति देता है, न कि केवल विशिष्ट उदाहरणों को रटने की।

🏆 परिणाम: हमें इसकी परवाह क्यों करनी चाहिए?

पेपर ने पुराने तरीकों और पारंपरिक DFT कैलकुलेटर के मुकाबले NextHAM का परीक्षण किया। यहाँ हुआ:

गति: NextHAM पारंपरिक विधि की तुलना में 97% तेज़ है। एक गणना जिसमें 40 मिनट लगते थे, अब 1 मिनट में हो जाती है।
सटीकता: यह अविश्वसनीय रूप से सटीक है। जटिल "स्पिन-ऑर्बिट" वाले हिस्सों के लिए, यह एक माइक्रो-इलेक्ट्रॉनवोल्ट (यह एक पहाड़ पर रेत के एक अकेले कण के वजन को मापने जैसा है) के भीतर सटीक है।
सामान्यीकरण (Generalization): इसने नियोन (Neon) (एक गैस) के गुणों की सफलतापूर्वक भविष्यवाणी की, जबकि इसे नियोन पर प्रशिक्षित ही नहीं किया गया था! यह साबित करता है कि यह वास्तव में भौतिकी के नियमों को समझता है, न कि केवल उन विशिष्ट उदाहरणों को जो इसके सामने आए थे।

🌟 निचोड़

NextHAM पदार्थ विज्ञान के लिए एक नए प्रकार का AI है।

यह एक शुरुआती बढ़त पाने के लिए भौतिकी-आधारित चीट शीट का उपयोग करता है।
यह 3D संरचनाओं को समझने के लिए एक आकार-जागरूक मस्तिष्क का उपयोग करता है।
यह सुनिश्चित करने के लिए कि भविष्यवाणियां भौतिक रूप से वास्तविक हैं और "भूत" (ghosts) नहीं हैं, यह एक डबल-चेक सिस्टम का उपयोग करता है।

यह सफलता वैज्ञानिकों को अब पहले की तुलना में बहुत कम समय में नई बैटरियों, बेहतर सौर पैनलों और तेज़ कंप्यूटर चिप्स को डिजाइन करने में सक्षम बनाती है, जिससे उन सामग्रियों की खोज तेज हो जाती है जो मानवता की सबसे बड़ी ऊर्जा और तकनीकी चुनौतियों को हल कर सकती हैं।

सामग्री के इलेक्ट्रॉनिक-स्ट्रक्चर हैमिल्टनियन भविष्यवाणी के लिए यूनिवर्सल डीप लर्निंग को उन्नत करना

1. समस्या विवरण

इलेक्ट्रॉनिक-स्ट्रक्चर हैमिल्टनियन की भविष्यवाणी करना सामग्रियों के गुणों (चालकता, चुंबकत्व, ऑप्टिकल व्यवहार) को समझने के लिए मौलिक है। पारंपरिक डेंसिटी फंक्शनल थ्योरी (DFT) मानक है, लेकिन यह उच्च कम्प्यूटेशनल लागत ( $O(TN^3)$ के कारण, जो इटरेटिव सेल्फ-कंसिस्टेंट लूप और मैट्रिक्स डायगोनलाइजेशन पर निर्भर करती है) से ग्रस्त है, जिससे यह बड़े पैमाने या उच्च-थ्रूपुट सिमुलेशन के लिए अव्यवहार्य हो जाता है।

जबकि हालिया डीप लर्निंग (DL) विधियाँ दक्षता प्रदान करती हैं, वे तीन महत्वपूर्ण सीमाओं का सामना करती हैं:

खराब सामान्यीकरण (Poor Generalization): मौजूदा मॉडल अक्सर परमाणुओं/किनारों (edges) के लिए रैंडम इनिशियलाइज्ड एम्बेडिंग्स पर निर्भर करते हैं, जिनमें भौतिक पूर्ववृत्त (physical priors) की कमी होती है और वे विविध तत्वों और अनदेखे रासायनिक संरचनाओं में सामान्यीकरण करने में संघर्ष करते हैं।
सीमित दायरा (Limited Scope): कई विधियाँ स्पिन-ऑर्बिट कपलिंग (SOC) की उपेक्षा करती हैं या जटिलता को कम करने के लिए तत्वों/ऑर्बिटल्स की संख्या को सीमित करती हैं, जिससे वास्तविक दुनिया की सामग्रियों के लिए उनकी प्रयोज्यता सीमित हो जाती है।
भौतिक असंगतता (Physical Inconsistency): अधिकांश DL मॉडल केवल रियल-स्पेस हैमिल्टनियन ( $R$ -space) को रिग्र्रेस करते हैं। जनरलाइज्ड आइजनवैल्यू समस्या में इल-कंडीशन्ड ओवरलैप मैट्रिक्स के कारण, $R$ -स्पेस में छोटी त्रुटियां रेसिप्रोकल स्पेस ( $k$ -space) में बढ़ सकती हैं, जिससे "घोस्ट स्टेट्स" (ghost states) (बैंड स्ट्रक्चर में अचानक विच्छेदन) और गलत वेवफंक्शंस जैसे अनफिजिकल आर्टिफैक्ट्स उत्पन्न होते हैं।

2. कार्यप्रणाली: NextHAM

लेखक NextHAM का प्रस्ताव करते हैं, जो यूनिवर्सल, उच्च-सटीक हैमिल्टनियन भविष्यवाणी के लिए डिज़ाइन किया गया एक एकीकृत डीप लर्निंग फ्रेमवर्क है। यह विधि तीन मुख्य नवाचारों से बनी है:

A. फिजिक्स-इंफॉर्म्ड इनपुट डिस्क्रिप्टर (Zeroth-Step Hamiltonian)

रैंडम एम्बेडिंग्स के बजाय, NextHAM Zeroth-Step Hamiltonian ( $H^{(0)}$ ) का उपयोग एक इनपुट डिस्क्रिप्टर के रूप में करता है।

निर्माण: $H^{(0)}$ को आइसोलेटेड परमाणुओं के प्रारंभिक चार्ज डेंसिटी ( $\rho^{(0)}$ ) से कुशलतापूर्वक बनाया जाता है, जिसमें किसी मैट्रिक्स डायगोनलाइजेशन की आवश्यकता नहीं होती है।
लाभ: यह एक एकीकृत रिप्रेजेंटेशन स्पेस में अंतर्निहित भौतिक जानकारी (इलेक्ट्रॉन-आयन इंटरैक्शन, स्यूडोपोटेंशियल) को एनकोड करता है। यह मॉडल को तत्वों के बीच संबंधों को पकड़ने और अनदेखी रासायनिक प्रणालियों (जैसे, नियॉन पर प्रशिक्षित किए बिना नियॉन के गुणों की भविष्यवाणी करना) तक सामान्यीकरण करने की अनुमति देता है।
डेल्टा-लर्निंग (Delta-Learning): मॉडल पूर्ण हैमिल्टनियन $H^{(T)}$ के बजाय करेक्शन टर्म $\Delta H = H^{(T)} - H^{(0)}$ की भविष्यवाणी करता है। यह रिग्रेशन टारगेट की डाइमेंशनलिटी और न्यूमेरिकल रेंज को नाटकीय रूप से कम कर देता है, जिससे नेटवर्क आवश्यक भौतिक अंतरों को सीखने पर ध्यान केंद्रित कर पाता है।

B. E(3)-सिमेट्रिक एक्सप्रेसिव आर्किटेक्चर

NextHAM एक ट्रांसफॉर्मर-आधारित आर्किटेक्चर का उपयोग करता है जो उच्च गैर-रेखीय अभिव्यक्तता (non-linear expressiveness) बनाए रखते हुए E(3)-सिमेट्री (ट्रांसलेशन, रोटेशन और रिफ्लेक्शन इनवेरिएंस/इक्विवैरिएंस) का सख्ती से पालन करता है।

TraceGrad एकीकरण: यह फ्रेमवर्क TraceGrad तंत्र (Yin et al., 2025) को एक ट्रांसफॉर्मर में विस्तारित करता है। यह गैर-रेखीय फीचर्स को सुपरवाइज करने के लिए $O(3)$ -इनवेरिएंट ट्रेस क्वांटिटीज का निर्माण करता है, जिनका उपयोग फिर ग्रेडिएंट ऑपरेशंस के माध्यम से गैर-रेखीय $O(3)$ -इक्विवैरिएंट फीचर्स को प्रेरित करने के लिए किया जाता है।
एज-सेंट्रिक अटेंशन (Edge-Centric Attention): पिछले नोड-सेंट्रिक मॉडलों के विपरीत, यह आर्किटेक्चर मल्टी-हेड ग्राफ अटेंशन का उपयोग करके परमाणु जोड़ों (edge features) को स्पष्ट रूप से बनाए रखता है और अपडेट करता है, जिसमें इंटर-एटॉमिक दूरियां और स्फेरिकल हार्मोनिक्स शामिल हैं।
एन्सेम्बल रणनीति (Ensemble Strategy): जटिल दूरी निर्भरताओं को संभालने के लिए, मॉडल विशिष्ट इंटर-एटॉमिक डिस्टेंस रेंज (जैसे, 0–1Å, 1–2Å, आदि) के लिए विशेषीकृत सब-मॉडल्स के एक एन्सेम्बल का उपयोग करता है, जो अंतिम भविष्यवाणी के लिए उनके आउटपुट को एकत्रित करता है।

C. जॉइंट रियल-स्पेस और रेसिप्रोकल-स्पेस ऑप्टिमाइजेशन

भौतिक निष्ठा सुनिश्चित करने के लिए, Next-HAM एक नवीन जॉइंट ट्रेनिंग ऑब्जेक्टिव पेश करता है जो रियल स्पेस ( $R$ -space) और रेसिप्रोकल स्पेस ( $k$ -space) दोनों में काम करता है।

गेज इनवेरियंस (Gauge Invariance): लॉस फंक्शन एनालिटिकली इष्टतम गेज पैरामीटर $\mu$ को निर्धारित करके गेज फ्रीडम (हैमिल्टनियन में $\mu S$ जोड़ना) को स्पष्ट रूप से हल करता है।
घोस्ट स्टेट सप्रेशन (Ghost State Suppression): $k$ $k$ -स्पेस लॉस स्पेक्ट्रम को एक लो-एनर्जी सबस्पेस ( $P$ ) और एक हाई-एनर्जी सबस्पेस ( $Q$ ) में विभाजित करता है।
- यह दोनों सबस्पेस में त्रुटियों को दंडित (penalize) करता है।
- महत्वपूर्ण रूप से, यह **$PQ $क्रॉस-कपलिंग ब्लॉक** पर एक स्पष्ट दंड जोड़ता है। चूंकि सटीक हैमिल्टनियन में इन सबस्पेस के बीच शून्य कपलिंग होती है, इसलिए स्प्यूरियस$ PQ$ कपलिंग को दंडित करने से "घोस्ट स्टेट्स" समाप्त हो जाते हैं और सही बैंड टोपोलॉजी सुनिश्चित होती है।

3. प्रमुख योगदान

मेथोडोलॉजिकल फ्रेमवर्क (NextHAM): एक यूनिवर्सल, E(3)-सिमेट्रिक ट्रांसफॉर्मर मॉडल जो फिजिक्स-इंफॉर्म्ड इनपुट्स ( $H^{(0)}$ ), डेल्टा-लर्निंग, और जॉइंट $R$ / $k$ -स्पेस ऑप्टिमाइजेशन को जोड़ता है।
नया बेंचमार्क डेटासेट (Materials-HAM-SOC):
- मटेरियल्स प्रोजेक्ट से क्यूरेट किए गए 17,000 मटेरियल स्ट्रक्चर।
- आवर्त सारणी की पहली छह पंक्तियों से 60+ तत्व कवर करता है।
- स्पष्ट रूप से स्पिन-ऑलिट कपलिंग (SOC) प्रभावों को शामिल करता है।
- उच्च-फिडेलिटी बेसिस सेट्स (अप टू $4s2p2d1f$ ऑर्बिटल्स) और उच्च-गुणवत्ता वाले स्यूडोपोटेंशियल का उपयोग करता है।
सैद्धांतिक प्रगति: यह प्रदर्शित करता है कि यूनिवर्सल हैमिल्टनियन भविष्यवाणी में DFT-स्तर की सटीकता और सामान्यीकरण प्राप्त करने के लिए भौतिक पूर्ववृत्त ( $H^{(0)}$ ) और जॉइंट $k$ -स्पेस सुपरविजन को शामिल करना आवश्यक है।

4. प्रयोगात्मक परिणाम

सटीकता (Accuracy):
- $R$ -स्पेस में पूर्ण हैमिल्टनियन के लिए 1.417 meV का गेज MAE प्राप्त करता है।
- SOC ब्लॉक्स (स्पिन-फ्लिप टर्म्स) सब-µeV सटीकता (< 0.001 meV) तक पहुँचते हैं, जो टोपोलॉजिकल सामग्रियों के लिए एक महत्वपूर्ण मीट्रिक है।
- स्टेट-ऑफ-द-आर्ट बेसलाइन्स (DeepH-E3, TraceGrad) से काफी बेहतर प्रदर्शन करता है (उदाहरण के लिए, DeepH-E3 एरर: 12.605 meV बनाम NextHAM: 1.417 meV)।
सामान्यीकरण (Generalization):
- प्रशिक्षण के दौरान अनदेखे आउट-ऑफ-डिस्ट्रीब्यूशन तत्वों (जैसे, नियॉन) के गुणों की सफलतापूर्वक भविष्यवाणी करता है, जो $H^{(0)}$ डिस्क्रिप्टर की प्रभावकारिता को दर्शाता है।
- विविध क्रिस्टल संरचनाओं और रासायनिक संरचनाओं में अच्छा प्रदर्शन करता है।
भौतिक निष्ठा (Physical Fidelity):
- अनुमानित हैमिल्टनियंस से प्राप्त बैंड स्ट्रक्चर DFT ग्राउंड ट्रुथ के साथ लगभग पूरी तरह से मेल खाते हैं।
- केवल $R$ -स्पेस लॉस के साथ प्रशिक्षित मॉडलों के विपरीत, इसमें घोस्ट स्टेट्स पूरी तरह से समाप्त हो जाते हैं।
- डाउनस्ट्रीम फिजिकल ऑब्जर्वेबल्स (जैसे, ऑप्टिकल कंडक्टिविटी) DFT के साथ उच्च सहमति दिखाते हैं।
दक्षता (Efficiency):
- NextHAM पारंपरिक DFT की तुलना में ~97% तेज़ है।
- प्रति सैंपल औसत रनटाइम 2307 सेकंड (DFT) से घटकर 58.47 सेकंड (GPU इन्फरेंस) हो जाता है।
- बड़े सिस्टम के लिए यह रैखिक रूप से ( $O(N)$ ) स्केल करता है, जबकि DFT क्यूबिकली ( $O(N^3)$ ) स्केल करता है।

5. महत्व

यह कार्य सामग्री विज्ञान में यूनिवर्सल डीप लर्निंग के लिए एक नया प्रतिमान स्थापित करता है। भौतिक पूर्ववृत्त और डीप लर्निंग आर्किटेक्चर के बीच की खाई को पाटकर, NextHAM निम्नलिखित प्रदान करता है:

DFT-स्तर की सटीकता: प्रथम-सिद्धांत गणनाओं (first-principles calculations) के बराबर सटीकता प्राप्त करना।
स्केलेबिलिटी: विशाल सामग्री प्रणालियों के सिमुलेशन को सक्षम बनाना जो पहले DFT के लिए अव्यवहार्य थे।
विश्वसनीयता: अनुमानित इलेक्ट्रॉनिक संरचनाओं के लिए भौतिक निरंतरता (कोई घोस्ट स्टेट नहीं) सुनिश्चित करना।
संसाधन: Materials-HAM-SOC डेटासेट का रिलीज भविष्य के अनुसंधान के लिए एक कठोर बेंचमार्क प्रदान करता है।

लेखक ओपन-सोर्स कोड, प्री-ट्रेन भार (weights), और डेटासेट प्रदान करते हैं, जो सामग्री खोज, नैनो-स्ट्रक्चर मॉडलिंग और क्वांटम डिवाइस सिमुलेशन में तेजी से अपनाने की सुविधा प्रदान करते हैं।