🔬 materials science

Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials

यह शोध पत्र एक कुशल ग्रैंड कैनोनिकल ग्लोबल ऑप्टिमाइज़ेशन एल्गोरिदम प्रस्तुत करता है जो प्रतिक्रियाशील वातावरण के तहत नैनोस्ट्रक्चर्ड सामग्रियों की स्थिर संरचनाओं और रासायनिक अवस्थाओं की भविष्यवाणी करने के लिए ऑन-द-फ्लाई प्रशिक्षित मशीन-लर्निंग इंटरएटोमिक पोटेंशियल और *एब इनिशियो* थर्मोडायनामिक्स का उपयोग करता है, जबकि प्रथम-सिद्धांत गणनाओं की कम्प्यूटेशनल लागत को महत्वपूर्ण रूप से कम करता है।

मूल लेखक: Jon Eunan Quinlivan Dominguez, Mads-Peter Verner Christiansen, Konstantin M. Neyman, Bøjrk Hammer, Albert Bruix

प्रकाशित 2026-06-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jon Eunan Quinlivan Dominguez, Mads-Peter Verner Christiansen, Konstantin M. Neyman, Bøjrk Hammer, Albert Bruix

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 पार्टी के लिए एकदम सही पोशाक (outfit) खोजने की कोशिश कर रहे हैं, लेकिन वह "परफेक्ट" पोशाक पूरी तरह से बाहर के मौसम पर निर्भर करती है। यदि धूप खिली है, तो आप शॉर्ट्स चाहते हैं; यदि बारिश हो रही है, तो आपको कोट की आवश्यकता है। लेकिन यहाँ एक पेंच है: आपको ठीक से पता नहीं है कि मौसम कैसा होगा, और आपके पास कपड़ों के लाखों संभावित संयोजन (शर्ट, पैंट, टोपी, जूते) हैं जिन्हें आज़माया जा सकता है।

रसायन विज्ञान (chemistry) की दुनिया में, वैज्ञानिक इसी तरह की समस्या का सामना करते हैं जब वे नैनोमटेरियल्स (nanomaterials) (बहुत छोटे पदार्थ जिनका उपयोग कार के एग्जॉस्ट फिल्टर या फ्यूल सेल्स में किया जाता है) का अध्ययन करते हैं। उन्हें यह पता लगाने की आवश्यकता होती है कि विशिष्ट परिस्थितियों में, जैसे उच्च गर्मी या उच्च दबाव के तहत, इन सूक्ष्म कणों का सबसे स्थिर आकार और रासायनिक संरचना क्या होगी।

यह शोध पत्र एक नए, अत्यंत स्मार्ट कंप्यूटर प्रोग्राम को पेश करता है जिसे इस "पोशाक खोज" की समस्या को पहले की तुलना में बहुत तेज़ी से हल करने के लिए डिज़ाइन किया गया है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: घास के ढेर में सुई ढूँढना

पारंपरिक रूप से, सर्वोत्तम संरचना खोजने के लिए वैज्ञानिकों को परमाणुओं के प्रत्येक एकल संभावित संयोजन की एक-एक करके जाँच करनी पड़ती थी।

पुराना तरीका: कल्पना कीजिए कि हर एक शर्ट, फिर हर एक पैंट, फिर हर एक टोपी को एक-एक करके आज़माकर सबसे अच्छी पोशाक खोजने की कोशिश करना। यदि आप यह देखना चाहते हैं कि एक स्कार्फ (एक अतिरिक्त परमाणु) जोड़ने से पोशाक कैसे बदलती है, तो आपको पूरी प्रक्रिया फिर से शुरू करनी होगी। इसमें बहुत अधिक कंप्यूटर शक्ति और समय लगता है।
चुनौती: संभावनाओं की संख्या इतनी विशाल है कि यह आँखों पर पट्टी बाँधकर समुद्र तट पर रेत के एक विशिष्ट कण को खोजने जैसा है।

2. समाधान: एक "स्मार्ट अंदाज़ा लगाने वाला" सहायक

लेखकों ने एक नया एल्गोरिदम बनाया है जिसे ग्रैंड कैनोनिकल ग्लोबल ऑप्टिमाइज़ेशन (GCGO) कहा जाता है। इस एल्गोरिदम को एक बहुत ही चतुर सहायक के रूप में समझें जो हर एक पोशाक को आज़माने की कोशिश नहीं करता है। इसके बजाय, वे एक "स्मार्ट अंदाज़ा लगाने वाले" (एक मशीन लर्निंग मॉडल) का उपयोग करते हैं जो वास्तव में उन्हें पहने बिना ही यह भविष्यवाणी करता है कि कौन सी पोशाक अच्छी लगेगी।

"स्मार्ट अंदाज़ा लगाने वाला" (मशीन लर्निंग): यह एक कंप्यूटर प्रोग्राम है जिसे कुछ उदाहरणों पर प्रशिक्षित किया गया है। कुछ ही पोशाकें देखने के बाद, यह बिना भौतिक रूप से परीक्षण किए यह अंदाज़ा लगाने में बहुत कुशल हो जाता है कि एक नया पहनावा कितना आरामदायक या स्थिर होगा।
काम करते हुए सीखना: सबसे अच्छी बात यह है कि यह सहायक काम करते समय सीखता है। हर बार जब कंप्यूटर वास्तव में एक आशाजनक पोशाक का परीक्षण करता है (महंगी, उच्च-सटीक गणनाओं का उपयोग करके), तो सहायक उससे सीखता है और अगले अंदाज़े को लगाने में और भी बेहतर हो जाता है।

3. "ग्रैंड कैनोनिकल" ट्विस्ट: नियमों को बदलना

अधिकांश पुराने तरीके कंप्यूटर को परमाणुओं की एक विशिष्ट संख्या (एक निश्चित "पोशाक का आकार") चुनने के लिए मजबूर करते थे और फिर सर्वोत्तम आकार खोजने के लिए कहते थे। यदि आप देखना चाहते थे कि एक परमाणु जोड़ने या हटाने से क्या होता है, तो आपको एक नया खोज अभियान चलाना पड़ता था।

नया GCGO तरीका अलग है। यह खोज के दौरान पोशाक के आकार को बदलने की अनुमति देता है।

रूपक (Metaphor): कल्पना कीजिए कि आप सबसे अच्छी पोशाक की तलाश कर रहे हैं, लेकिन मौसम बदल रहा है। पुराना तरीका कहेगा, "ठीक है, चलिए 70 डिग्री के दिन के लिए सबसे अच्छी पोशाक ढूँढते हैं," और फिर रुक जाएगा। यदि तापमान गिरकर 50 डिग्री हो जाता है, तो आपको फिर से शुरू करना होगा।
नया तरीका: GCGO एल्गोरिदम कहता है, "आइए हम अभी के लिए सबसे अच्छी पोशाक की खोज करें, और यदि मौसम बदलता है, तो हम तुरंत एक जैकेट जोड़ देंगे या एक टोपी उतार देंगे और खोज जारी रखेंगे।" यह एक ही समय में सर्वोत्तम आकार और परमाणुओं की सर्वोत्तम संख्या दोनों की खोज करता है।

4. उन्होंने इसका परीक्षण कैसे किया

टीम ने यह साबित करने के लिए कि यह काम करता है, इस नए "स्मार्ट सहायक" का तीन अलग-अलग परिदृश्यों पर परीक्षण किया:

फ्लोटिंग क्लस्टर्स (Floating Clusters): अंतरिक्ष में तैरते इरिडियम और ऑक्सीजन के सूक्ष्म समूह।
सपोर्टेड क्लस्टर्स (Supported Clusters): सेरियम ऑक्साइड की सतह पर स्थित प्लैटिनम के सूक्ष्म क्लस्टर (जैसे कि कार उत्प्रेरक/catalyst)।
सरफेस लेयर्स (Surface Layers): ऑक्सीजन के साथ प्रतिक्रिया करने वाली पैलेडियम धातु की एक सपाट परत।

इन तीनों मामलों में, नए एल्गोरिदम ने पुराने तरीकों की तुलना में अधिक तेज़ी से सबसे स्थिर संरचनाओं को खोज निकाला। यह एक ही रन में "ग्लोबल मिनिमम" (सबसे अच्छा, सबसे स्थिर अवस्था) खोजने के साथ-साथ पास में मौजूद अन्य स्थिर अवस्थाओं की भी खोज करने में सक्षम था।

5. परिणाम: तेज़ और स्मार्ट

शोध पत्र का दावा है कि यह नया दृष्टिकोण है:

अधिक कुशल: इसे उत्तर खोजने के लिए बहुत कम महंगी कंप्यूटर गणनाओं की आवश्यकता होती है।
अधिक लचीला: यह बदलते परिवेश (जैसे तापमान और दबाव) और बदलती रासायनिक संरचनाओं (परमाणुओं को जोड़ने या हटाने) को एक साथ संभाल सकता है।
सटीक: इसने पिछले अध्ययनों के परिणामों को सफलतापूर्वक पुनरुत्पादित किया और कुछ मामलों में पहले से ज्ञात संरचनाओं से भी बेहतर (अधिक स्थिर) संरचनाएं खोजीं।

संक्षेप में: लेखकों ने एक ऐसा कंप्यूटर प्रोग्राम बनाया है जो एक अनुभवी फैशन स्टाइलिस्ट की तरह काम करता है जो काम करते-करते सीखता है। हर एक पोशाक को आज़माने के बजाय, यह किसी भी मौसम की स्थिति के लिए एकदम सही लुक को जल्दी से खोजने के लिए स्मार्ट भविष्यवाणियों का उपयोग करता है, जिससे समय और प्रयास की भारी बचत होती है।

तकनीकी सारांश: ऑन-द-फ्लाई प्रशिक्षित मशीन-लर्निंग इंटरएटोमिक पोटेंशियल के साथ कुशल ग्रैंड कैनोनिकल ग्लोबल ऑप्टिमाइजेशन

समस्या विवरण
प्रतिक्रियाशील वातावरण में नैनोस्ट्रक्चर्ड सामग्रियों का लक्षण वर्णन जटिल संरचनात्मक रूपांकनों (structural motifs) और उनके रासायनिक रूपांतरणों के कारण बाधित होता है। जबकि ग्लोबल ऑप्टिमाइजेशन (GO) विधियाँ स्थिर संरचनाओं की भविष्यवाणी कर सकती हैं, प्रथम-सिद्धांत गणनाओं (first-principles calculations) पर निर्भर करते हुए संरचनात्मक और संरचनात्मक (configurational) और संरचनात्मक (compositional) खोज स्थानों को एक साथ संबोधित करना कम्प्यूटेशनल रूप से अत्यधिक महंगा है। पारंपरिक दृष्टिकोण आमतौर पर एक समय में केवल एक ही स्टोइकीओमेट्री (stoichiometry) को अनुकूलित करते हैं, जिसके लिए प्रत्येक संभावित रासायनिक अवस्था (जैसे, परिवर्तनशील ऑक्सीजन सामग्री) के लिए अलग-अलग खोजों की आवश्यकता होती है। यह स्केलिंग अक्षम है, क्योंकि घटक तत्वों की संख्या के साथ आवश्यक स्टोइकीओमेट्री की संख्या तेजी से बढ़ती है। इसके अलावा, मूल्यांकित की गई कई स्टोइकीओमेट्री अस्थिर और लक्षित प्रतिक्रिया स्थितियों के लिए अप्रासंगिक होती हैं, जिससे कम्प्यूटेशनल संसाधन व्यर्थ होते हैं।

कार्यप्रणाली
लेखक AGOX पायथन लाइब्रेरी के भीतर एक ग्रैंड कैनोनिकल ग्लोबल ऑप्टिमाइजेशन (GCGO) एल्गोरिदम को लागू करते हैं। यह दृष्टिकोण संरचनात्मक और संरचनात्मक स्थानों को एक साथ खोजने के लिए ऑन-द-फ्लाई प्रशिक्षित मशीन-लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs) को एब इनिटियो थर्मोडायनामिक्स ढांचे के साथ एकीकृत करता है।

मुख्य पद्धतिगत घटक शामिल हैं:

सरोगेट मॉडल: एल्गोरिदम SOAP (Smooth Overlap of Atomic Positions) डिस्क्रिप्टर पर आधारित एक स्पार्स गॉसियन प्रोसेस रिग्रेशन (GPR) मॉडल का उपयोग करता है। यह स्थानीय GPR मॉडल खोज के दौरान ऑन-द-फ्लाई प्रशिक्षित किया जाता है। यह "साइज-एक्सटेंसिव" (size-extensive) है, जिसका अर्थ है कि यह परमाणुओं की संख्या में भिन्नता वाले ढांचों (विभिन्न स्टोइकीओमेट्री) के लिए ऊर्जा की भविष्यवाणी कर सकता है, क्योंकि यह कुल ऊर्जा को परमाणु योगदान में विभाजित करता है।
थर्मोडायनामिक फ्रेमवर्क: केवल पोटेंशियल एनर्जी को अनुकूलित करने के बजाय, एल्गोरिदम प्रत्येक उम्मीदवार के लिए गिब्स ऊर्जा ऑफ फॉर्मेशन ( $\Delta G_c$ ) का मूल्यांकन करता है। इसकी गणना एब इनिटियो थर्मोडायनामिक्स सन्निकटन का उपयोग करके की जाती है:
$\Delta G_c = E_c - E_r - \sum_{v} \Delta n_v (E_v + \Delta \mu_v)$
जहाँ $E$ 0 K पर पोटेंशियल ऊर्जा है, $\Delta n_v$ परमाणु गणना में परिवर्तन है, और $\Delta \mu_v$ जलाशयों (जैसे, $O_2$ गैस) के तापमान और दबाव-निर्भर रासायनिक विभव (chemical potentials) को दर्शाता है। कम्प्यूटेशनल दक्षता बनाए रखने के लिए उम्मीदवारों की थर्मल योगदान को नजरअंदाज किया गया है, जो एक सरलीकरण है जिसे लेखकों द्वारा सटीक फेज डायग्राम प्राप्त करने के लिए मान्य किया गया है।
एक्टिव लर्निंग लूप: एल्गोरिदम एक पुनरावृत्ति चक्र का पालन करता है:
1. जेनरेशन (Generation): नए उम्मीदवारों को सीड (seed) संरचनाओं से रैंडमाइजेशन, लैटिस रैटलिंगिंग, या परमाणु जोड़ने/हटाने (Addition/Removal Generator) के माध्यम से उत्पन्न किया जाता है।
2. सिलेक्शन (Selection): एक सैंपलर (Sampler) मॉड्यूल सीड को उनके गिब्स ऊर्जा ऑफ फॉर्मेशन के आधार पर चुनता है। दो विशिष्ट सैंपलर पेश किए गए हैं: एक मानक गिब्स ऊर्जा सैंपलर और एक K-Means गिब्स ऊर्जा सैंपलर जो संरचनात्मक समानता (SOAP) द्वारा उम्मीदवारों को क्लस्टर करता है ताकि विविध अन्वेषण सुनिश्चित किया जा सके।
3. रिलैक्सेशन और इवैल्यूएशन (Relaxation & Evaluation): नए उम्मीदवारों को MLIP का उपयोग करके रिलैक्स किया जाता है। एक एक्विज़िटर (Acquisitor) मॉड्यूल एक एक्विजिशन फंक्शन के आधार पर उच्च-स्तरीय एब इनिटियो मूल्यांकन के लिए उम्मीदवारों का चयन करता है: $F = \Delta G^M_c - \kappa\sigma$ । यह फंक्शन अनुमानित स्थिरता ( $\Delta G^M_c$ ) और मॉडल की अनिश्चितता ( $\sigma$ ) के बीच संतुलन बनाता है, उन उम्मीदवारों को प्राथमिकता देता है जो स्थिर होने की भविष्यवाणी की गई हैं लेकिन प्रशिक्षण सेट से संरचनात्मक रूप से भिन्न हैं।
4. ट्रेनिंग (Training): चयनित उम्मीदवारों का लक्ष्य स्तर के सिद्धांत (DFT या एक उच्च-फिडेलिटी MLIP) पर मूल्यांकन किया जाता है और GPR मॉडल को अपडेट करने के लिए प्रशिक्षण सेट में जोड़ा जाता है।

प्रमुख योगदान

एल्गोरिद्मिक कार्यान्वयन: एक GCGO एल्गोरिदम का विकास जो कई स्टोइकीओमेट्री को एक साथ संभालने में सक्षम है, जो निश्चित-स्टोइकीओमेट्री वाले GO तरीकों की सीमाओं को पार करता है।
ऑन-द-फ्लाई ट्रेनिंग के माध्यम से दक्षता: यह प्रदर्शन कि GPR-आधारित MLIPs, जो खोज के दौरान गतिशील रूप से प्रशिक्षित होते हैं, पारंपरिक तरीकों की तुलना में ग्लोबल मिनिमा खोजने के लिए आवश्यक महंगी प्रथम-सिद्धांत मूल्यांकनों की संख्या को काफी कम कर देते हैं।
साइज-एक्सटेंसिव मॉडलिंग: विभिन्न संरचनाओं के साथ काम करने के लिए SOAP-GPR मॉडल्स का सफल अनुप्रयोग, जो प्रत्येक स्टोइकीओमेट्री के लिए अलग मॉडल को पुनः प्रशिक्षित किए बिना विभिन्न रासायनिक अवस्थाओं के बीच गिब्स ऊर्जा की सीधी तुलना सक्षम बनाता है।
अनसर्टेन्टी-गाइडेड एक्सप्लोरेशन (Uncertainty-Guided Exploration): खोज को पोटेंशियल एनर्जी सरफेस के अनछुए क्षेत्रों की ओर निर्देशित करने के लिए एक्विजिशन फंक्शन में GPR-व्युत्पन्न अनिश्चितता अनुमानों का एकीकरण।

परिणाम
एल्गोरिदम का परीक्षण तीन प्रणालियों पर किया गया जिनकी जटिलता और लक्ष्य स्तर के सिद्धांत भिन्न थे:

मुक्त-खड़े (Free-standing) $Ir_3O_x$ क्लस्टर्स: MACE MLIP को लक्ष्य सिद्धांत के रूप में उपयोग करते हुए, GCGO एल्गोरिदम ने विभिन्न ऑक्सीजन रासायनिक विभव ( $\Delta \mu_O$ ) के लिए ग्लोबल मिनिमा की सफलतापूर्वक पहचान की। संचयी सफलता दर एकल-स्टोइकीओमेट्री खोजों के समान थी, और कुछ मामलों में उनसे अधिक भी थी। विशेष रूप से, एक एकल GCGO रन ने कई स्टोइकीओमेट्री (जैसे, $Ir_3$ , $Ir_3O_2$ से $Ir_3O_9$ ) के लिए ग्लोबल मिनिमा की पहचान की, जबकि एकल-स्टोइकीओमेट्री रन केवल उनकी विशिष्ट संरचना के लिए न्यूनतम मान ही खोज पाते।
$CeO_2(111)$ पर $Pt_3O_x$ : DFT को लक्ष्य सिद्धांत के रूप में उपयोग करते हुए, इस विधि ने पिछले साहित्य के परिणामों को दोहराया और उनमें सुधार किया। GCGC रन ने $Pt_3O_6$ और $Pt_4O_4$ के लिए ग्लोबल मिनिमा खोजे जो पिछले एकल-स्टोइकीओमेट्री GOFEE अध्ययनों की तुलना में क्रमशः 0.70 eV और 0.56 eV अधिक स्थिर थे। एल्गोरिदम ने फेज डायग्राम को कुशलतापूर्वक नेविगेट किया, विभिन्न $\Delta \mu_O$ मानों के लिए स्थिर अवस्थाओं की पहचान की, जिसमें स्वतंत्र एकल-स्टोइकीओमेट्री खोजों की तुलना में कम कुल DFT मूल्यांकन लगे।
$Pd(100)$ सतह: एल्गोरिदम ने सतह के पुनर्निर्माण (surface reconstructions) की सफलतापूर्वक पहचान की, जिसमें धातु की मूल सतह से ऑक्सीजन-डेकोरेटेड अवस्थाओं और अंततः ऑक्सीकरण स्थितियों के तहत एक सतह-ऑक्साइड चरण ( $Pd_4O_4$ ) में संक्रमण शामिल है। परिणामी फेज डायग्राम पिछले प्रायोगिक और सैद्धांतिक निष्कर्षों के साथ अच्छी तरह से मेल खाता है।

महत्व और दावे
यह शोध दावा करता है कि GCGO एल्गोरिदम प्रतिक्रिया स्थितियों के तहत ठोस उत्प्रेरकों (catalysts) के लक्षण वर्णन के लिए मौजूदा विधियों के एक सक्षम विकल्प के रूप में उभर रहा है। इसका प्राथमिक महत्व इसकी क्षमता में निहित है:

एकल रूप से स्टोइकीओमेट्री का अन्वेषण करने वाले कैनोनिकल दृष्टिकोणों की तुलना में उच्च दक्षता के साथ स्थिर संरचनाओं और रासायनिक अवस्थाओं की पहचान करना।
एक ही कम्प्यूटेशनल रन के भीतर फेज डायग्राम के उन क्षेत्रों को प्रकट करना जो तत्काल लक्षित स्थितियों से परे हैं।
उन जटिल नैनोमटेरियल्स के अध्ययन के लिए एक व्यावहारिक ढांचा प्रदान करना जहाँ स्थिर चरण (stable phase) पहले से ज्ञात नहीं है।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि एल्गोरिदम अत्यधिक कुशल है, लेकिन यह उम्मीदवारों के गिब्स ऊर्जा में कंपन योगदान (vibrational contributions) की उपेक्षा करने के कारण एक औपचारिक operando दृष्टिकोण नहीं है। हालांकि, वे तर्क देते हैं कि यह सरलीकरण विश्वसनीय फेज बाउंड्री प्रदान करता है, और यह विधि विशेष रूप से प्रभावी है जब लक्षित स्थितियों के तहत एक एकल स्टोइकीओमेट्री अन्य की तुलना में काफी अधिक स्थिर होती है। यह कार्य प्रथम-सिद्धांत मूल्यांकनों के कम्प्यूटेशनल बाधा को कम करके, प्रतिक्रियाशील वातावरण में बड़े, अधिक जटिल नैनोमटेरियल्स को संभालने के मार्ग प्रशस्त करता है।

1. समस्या: घास के ढेर में सुई ढूँढना

2. समाधान: एक "स्मार्ट अंदाज़ा लगाने वाला" सहायक

3. "ग्रैंड कैनोनिकल" ट्विस्ट: नियमों को बदलना

4. उन्होंने इसका परीक्षण कैसे किया

5. परिणाम: तेज़ और स्मार्ट

इसी तरह के और पेपर