🤖 AI

NEAT: Neighborhood-Guided, Efficient, Autoregressive Set Transformer for 3D Molecular Generation

यह शोध पत्र NEAT प्रस्तुत करता है, जो एक नवीन नेबरहुड-गाइडेड ऑटोरेग्रेसिव सेट ट्रांसफॉर्मर है जो QM9 और GEOM-Drugs डेटासेट पर परमाणु स्तर पर क्रम-स्वतंत्र प्रशिक्षण रणनीति के माध्यम से क्रम-अपरिवर्तनीयता सुनिश्चित करके 3D अणु निर्माण में पर्याप्त गति लाभ के साथ अत्याधुनिक गुणवत्ता प्राप्त करता है।

मूल लेखक: Daniel Rose, Roxane Axel Jacob, Johannes Kirchmair, Thierry Langer

प्रकाशित 2026-05-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniel Rose, Roxane Axel Jacob, Johannes Kirchmair, Thierry Langer

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 रोबोट को एक जटिल 3D संरचना बनाना सिखाने की कोशिश कर रहे हैं, जैसे कि रंगीन गोलों (परमाणुओं) को छड़ों (बंधों) से जोड़ने वाला एक बहु-रंगीन आणविक मॉडल। लक्ष्य यह है कि रोबोट मौजूदा संरचनाओं की केवल नकल करने के बजाय, शून्य से नई और वैध संरचनाएं बनाए।

यह कार्य एक नए रोबोटिक आर्किटेक्ट NEAT (नेबरहुड-गाइडेड, एफिशिएंट, ऑटोरेग्रेसिव सेट ट्रांसफॉर्मर) को पेश करता है। यह कैसे काम करता है, इसका सरल विवरण यहाँ दिया गया है:

समस्या: "क्रम" का भ्रम

अधिकांश पिछले रोबोट अणुओं को एक सख्त अनुक्रम (sequence) का पालन करते हुए बनाने का प्रयास करते थे, जैसे छात्र एक के बाद एक कक्षा में प्रवेश कर रहे हों। उन्हें तय करना पड़ता था: "पहले कौन आता है? दूसरा कौन आता है?"

समस्या: एक अणु में, वास्तव में न तो कोई "पहला" होता है और न ही कोई "दूसकी" जगह। वे सभी एक 3D क्लस्टर के रूप में एक साथ मौजूद होते हैं। उन्हें एक क्रम में ढालना एक स्नोफ्लेक (हिमपात के कण) को उसके क्रिस्टल की एक विशिष्ट सूची बनाकर वर्णित करने जैसा है, जो कि मनमाना और भ्रमित करने वाला है। यदि रोबोट गलत क्रम चुनता है, तो अणु बिखर जाएगा।
पुराना तरीका: पिछले तरीकों ने इसे एक "कैनोनिकल" (मानक) क्रम बनाकर हल करने की कोशिश की, जिसने रोबोट को विकृत कर दिया। इसने अणु के आकार को सीखने के बजाय, सूची के क्रम को बेहतर तरीके से सीखा।

समाधान: "नेबरहुड" (पड़ोस) रणनीति

NEAT खेल बदल देता है। एक अनुक्रम के बजाय, यह अणु को एक सेट के रूप में देखता है।

यह कैसे काम करता है: कल्पना कीजिए कि आप ईंट-दर-ईंट एक घर बना रहे हैं। सूची में अगले ईंट के बारे में पूछने के बजाय, "अगली ईंट कौन सी है?", NEAT आपके द्वारा बनाई गई वर्तमान दीवार को देखता है और पूछता है, "इस दीवार के ठीक बगल में कौन से पड़ोसी खड़े हैं?"
जादू: NEAT वर्तमान संरचना के "बॉर्डर" (सीमा) की जांच करता है। वह जानता है कि वर्तमान संरचना को छूने वाला प्रत्येक परमाणु अगला जोड़ा जाने वाला एक वैध उम्मीदवार है। उसके लिए क्रम मायने नहीं रखता; उसे केवल नेबरहुड (पड़ोस) की परवाह है।
परिणाम: यह रोबोट को "परम्यूटेशन इनवेरिएंट" (क्रम-परिवर्तन अपरिवर्तनीय) बनाता है। इससे कोई फर्क नहीं पड़ता कि आप अणु को बाएं, दाएं या उल्टा देखते हैं; रोबोट वही पड़ोसी देखता है और एक ही वैध संरचना बनाता है।

निर्माण प्रक्रिया: दो चरण एक साथ

जब NEAT एक नया परमाणु जोड़ने का निर्णय लेता है, तो वह एक साथ दो काम करता है:

यह क्या है? वह परमाणु के प्रकार का अनुमान लगाता है (जैसे, "यह एक कार्बन गोला होना चाहिए")।
यह कहाँ है? यह फ्लो मैचिंग नामक एक विशेष गणितीय तकनीक का उपयोग करके यह निर्धारित करता है कि 3D स्पेस में इस परमाणु को बिल्कुल कहाँ तैरना चाहिए। इसे एक नदी की धारा की तरह समझें जो एक पत्ते (परमाणु) को उसके यादृच्छिक शुरुआती बिंदु से अणु के भीतर उसके आदर्श, स्थिर स्थान तक धीरे से धकेलती है।

NEAT क्यों विशेष है?

लेखक दावा करते हैं कि NEAT तीन कारणों से एक बड़ी प्रगति है:

यह तेज़ है: चूंकि इसे अन्य रोबोटों की तरह हजारों शोर वाले चरणों का अनुकरण करने की आवश्यकता नहीं होती (जो पत्थर के ब्लॉक पर घंटों काम करके मूर्ति तराशने जैसा है), NEAT अणुओं को बहुत तेज़ी से बनाता है। कार्य बताता है कि यह अपने प्रतिस्पर्धियों की तुलना में 5 से 16 गुना तेज़ है।
यह लचीला है: चूंकि यह एक निश्चित क्रम पर आधारित नहीं है, आप इसे एक "स्टार्टर किट" (एक आंशिक अणु) दे सकते हैं और इसे काम पूरा करने के लिए कह सकते हैं। यह संरचना को पूरा कर सकता है, चाहे आप इसे किसी भी तरह से स्टार्टर किट सौंपें। अन्य रोबोट अक्सर विफल हो जाते हैं यदि स्टार्टर किट उनके विशिष्ट "क्रम" नियमों से मेल नहीं खाता है।
यह सटीक है: मानक परीक्षणों (QM9 और GEOM-Drugs नामक डेटासेट) में, NEAT ऐसे अणु बनाता है जो रासायनिक रूप से वैध और अद्वितीय हैं, जो मौजूदा सर्वोत्तम तरीकों के बराबर या उनसे बेहतर हैं।

कमी (सीमाएँ)

लेखक ईमानदार हैं कि NEAT अभी क्या नहीं कर सकता:

आकार की सीमाएं: यह केवल उतने ही बड़े अणु बना सकता है जितने उसने प्रशिक्षण के दौरान देखे हैं। यदि इसने केवल छोटे अणुओं पर सीखा है, तो यह एक विशाल अणु बनाने के लिए विस्तार (extrapolate) नहीं कर सकता।
बॉन्ड अस्पष्टता: यह यह जानने पर निर्भर करता है कि कौन से परमाणु जुड़े हुए हैं (बंध), ताकि नेबरहुड निर्धारित किया जा सके। यदि आप इसे एक अजीब क्रिस्टल संरचना देते हैं जहाँ बंध स्पष्ट नहीं हैं, तो यह भ्रमित हो सकता है।
कोई "जादुई" 3D नियम नहीं: इसमें 3D रोटेशन (SE(3) इक्विवेरिएंट) के लिए अंतर्निहित भौतिक नियम नहीं हैं, लेकिन लेखकों ने पाया कि प्रशिक्षण डेटा को यादृच्छिक रूप से घुमाना (rotate करना) इसे अच्छी तरह से काम करने के लिए पर्याप्त था।

सारांश

संक्षेप में, NEAT कंप्यूटर को 3D अणु डिजाइन करना सिखाने का एक नया तरीका है। उन्हें एक कठोर, कृत्रिम सूची का पालन करने के लिए मजबूर करने के बजाय, यह उन्हें अपने निकटतम पड़ोसियों को देखने और स्वाभाविक रूप से निर्माण करने के लिए सिखाता है। यह वर्तमान अत्याधुनिक तरीकों की तुलना में तेज़, अधिक लचीला और उतना ही सटीक है।

तकनीकी सारांश: NEAT – 3D आणविक पीढ़ी के लिए नेबरहुड-गाइडेड, एफिशिएंट, ऑटोरेग्रेसिव सेट ट्रांसफॉर्मर

समस्या विवरण

जैविक रूप से सक्रिय अणुओं की खोज के लिए वर्तमान कम्प्यूटेशनल वर्कफ़्लो या तो वर्चुअल स्क्रीनिंग पर या de novo पीढ़ी पर अत्यधिक निर्भर करते हैं। जबकि वर्चुअल स्क्रीनिंग सीमित रासायनिक पुस्तकालयों के आकार और बढ़ती कम्प्यूटेशनल लागतों से बाधित है, जनरेटिव मॉडलिंग एक आशाजनक विकल्प प्रदान करती है। हालाँकि, 3D आणविक संरचनाओं की पीढ़ी जटिल चुनौतियाँ प्रस्तुत करती है। अणु स्वाभाविक रूप से त्रि-आयामी होते हैं, और उनके गुण अक्सर उनके विन्यास (conformation) द्वारा निर्धारित होते हैं।

3D पीढ़ी के लिए मौजूदा अत्याधुनिक (state-of-the-art) मॉडल मुख्य रूप से डिफ्यूजन और फ्लो-मैचिंग तकनीकों का उपयोग करते हैं। ये विधियाँ अक्सर मैसेज-पासिंग अपडेट में द्विघातीय स्केलिंग (quadratic scaling) से ग्रस्त होती हैं, इनमें परिवर्तनशील आणविक आकारों के प्रति अंतर्निहित अनुकूलन क्षमता का अभाव होता है (अक्सर प्रारंभिक अवस्था में निर्धारित परमाणुओं की एक निश्चित संख्या की आवश्यकता होती है), और वे डिनोइजिंग (denoising) के दौरान गतिशील परमाणु समावेशन को संभालने में संघर्ष करती हैं।

ऑटोरेग्रेसिव मॉडल एक लचीला विकल्प प्रदान करते हैं जो स्वाभाविक रूप से परिवर्तनशील परमाणु गणनाओं का समर्थन करते हैं और प्रत्येक टोकन के लिए केवल एक एनकोडर कॉल की आवश्यकता होती है। हालाँकि, मानक ऑटोरेग्रेसिव ट्रांसफॉर्मर के लिए टोकन के क्रमिक क्रम (sequential arrangement) की आवश्यकता होती है। आणविक ग्राफों में, परमाणुओं का कोई अंतर्निहित क्रमिक क्रम नहीं होता है। पिछले कार्यों ने इसे कैनोनिकल परमाणु क्रमों (canonical atom orderings) का उपयोग करके संबोधित किया है, फिर भी ये दृष्टिकोण परमाणुओं के संबंध में क्रम-परिवर्तन अपरिवर्तनीयता (permutation-invariance) के प्रति नहीं हैं। वे विशिष्ट क्रम व्यवस्थाओं के पक्ष में अगले टोकन की भविष्यवाणी को विकृत करते हैं, जिससे उनकी सामान्यीकरण करने या 'प्रिफिक्स कंप्लीशन' (prefix completion) जैसे कार्य करने की क्षमता सीमित हो जाती है, जहाँ शुरुआती परमाणु अनुक्रम अंतिम अणु के कैनोनिकल क्रम से मेल नहीं खाता है। इसके विपरीत, ग्राफ न्यूरल नेटवर्क (GNN) दृष्टिकोण जो क्रम-परिवर्तन अपरिवर्तनशीलता सुनिश्चित करते हैं, अक्सर कम रासायनिक वैधता वाले अणु उत्पन्न करते हैं।

कार्यप्रणाली

लेखक NEAT (नेबरहुड-गाइडेड, एफिशिएंट, ऑटोरेग्रेसिव सेट ट्रांसफॉर्मर) का प्रस्ताव करते हैं, जो परमाणुओं की क्रम-परिवर्तन अपरिवर्तनीयता का सम्मान करने वाला पहला ऑटोरेग्रेसिव ट्रांसफॉर्मर मॉडल है, जो कैनोनिकल परमाणु क्रमों पर निर्भर नहीं है।

मुख्य आर्किटेक्चर

NEAT आणविक ग्राफों को अनुक्रमों के बजाय परमाणुओं के सेट के रूप में मानता है। आर्किटेक्चर के तीन मुख्य घटक हैं:

डेटा ऑग्मेंटेशन मॉड्यूल (नेबरहुड गाइडेंस): अनुक्रमिक पोजीशनल एनकोडिंग के बजाय, मॉडल आणविक विकास की नकल करने के लिए एक सैंपलिंग रणनीति का उपयोग करता है। एक आणविक ग्राफ को देखते हुए, एक जुड़ा हुआ सबग्राफ (स्रोत सेट) सैंपल किया जाता है। लक्ष्य सेट (target set) स्रोत सेट के "बाउंड्री नोड्स" (1-हॉप नेबर्स) के रूप में परिभाषित है। यह अगले चरण के लिए वैध टोकन निरंतरता का एक सेट प्रदान करता है, जो इस बात पर स्वतंत्र है कि परमाणुओं को किस क्रम में जोड़ा गया था।
सेट ट्रांसफॉर्मर बैकबोन: स्रोत सेट को एक सेट ट्रांसफॉर्मर (बाइडायरेक्शनल अटेंशन के साथ NanoGPT/GPT-2 पर आधारित और बिना पोजीशनल एम्बेडिंग के) का उपयोग करके एनकोड किया जाता है। परमाणु प्रकारों को लीनियरली एम्बेड किया जाता है, और स्थितियों को फूरियर फीचर्स (Fourier features) का उपयोग करके एनकोड किया जाता है। एडिटिव पूलिंग नोड रिप्रेजेंटेशन को एक सेट-आधारित रिप्रेजेंटेशन ( $z_n$ ) में एकत्रित करती है। यह डिज़ाइन सुनिश्चित करता है कि स्रोत सेट में परमाणुओं के क्रम के संबंध में क्रम-परिवर्तन अपरिवर्तनीयता बनी रहे।
फ्लो-मैचिंग हेड: सेट-आधारित रिप्रेजेंटेशन $z_n$ $z_{n}$ का उपयोग अगले टोकन की भविष्यवाणी करने के लिए किया जाता है, जिसे परमाणु प्रकार और स्थिति में विभाजित किया गया है: $p(a_{n+1}, x_{n+1} | z_n) = p(a_{n+1} | z_n) \cdot p(x_{n+1} | a_{n+1}, z_n)$ $p (a_{n + 1}, x_{n + 1} ∣ z_{n}) = p (a_{n + 1} ∣ z_{n}) \cdot p (x_{n + 1} ∣ a_{n + 1}, z_{n})$ ।
- परमाणु प्रकार: एक लीनियर लेयर और सॉफ्टमैक्स (Softmax) पर कैटेगोरिकल डिस्ट्रीब्यूशन के रूप में मॉडल किया गया है।
- परमाणु स्थिति: कंडीशनल फ्लो मैचिंग (CFM) का उपयोग करके मॉडल किया गया है। मॉडल एक वेक्टर फील्ड सीखता है जो एक रैंडम इनिशियल पोजीशन डिस्ट्रीब्यूशन को वास्तविक परमाणु स्थितियों तक ले जाता है।

प्रशिक्षण रणनीति

नेबरहुड गाइडेंस: प्रशिक्षण के दौरान, मॉडल को एकल अगले टोकन द्वारा नहीं, बल्कि सभी वैध बाउंड्री नोड्स के सेट द्वारा सुपरवाइज किया जाता है। यह कैनोनिकलाइजेशन की आवश्यकता को समाप्त करता है।
टीचर फोर्सिंग (Teacher Forcing): परमाणु प्रकार की भविष्यवाणी और स्थिति का पुनर्निर्माण अलग-अलग (decoupled) किया जाता है। मॉडल प्रकार की भविष्यवाणी करता है, और फ्लो-मैचिंग हेड इस प्रकार पर आधारित स्थिति को सीखता है।
ऑग्मेंटेशन: त्रुटि संचय (error accumulation) के विरुद्ध मजबूती बढ़ाने के लिए, प्रशिक्षण के दौरान स्रोत सेट के कुछ परमाणुओं में गॉसियन नॉइज़ इंजेक्ट की जाती है, और स्थितियों को नॉइजी सोर्स सेट के सापेक्ष पुन: केंद्रित किया जाता है।
लॉस फंक्शन: कुल लॉस, परमाणु प्रकारों के लिए क्रॉस-एन्ट्रॉपी लॉस और स्थितियों के लिए फ्लो-मैचिंग लॉस का योग है। स्रोत और लक्ष्य डिस्ट्रीब्यूशन को जोड़ने के लिए एक लीनियर असाइनमेंट प्रॉब्लम को हल किया जाता है, जो ट्रांसपोर्ट कॉस्ट को कम करता है और क्रॉसिंग पाथ्स से बचता है।

इन्फरेंस (Inference)

जेनरेशन एक रैंडम इनिशियल परमाणु से शुरू होता है। प्रत्येक चरण में, परमाणुओं के वर्तमान सेट को एनकोड किया जाता है, अगला परमाणु प्रकार अनुमानित किया जाता है, और एक रैंडिम इनिशियल पोजीशन सैंपल की जाती है। फ्लो-मैचिंग वेक्टर फील्ड को अंतिम परमाणु निर्देशांक निर्धारित करने के लिए इंटीग्रेट (Euler या Euler-Maruyama विधियों का उपयोग करके) किया जाता है। यह प्रक्रिया तब तक दोहराई जाती है जब तक कि स्टॉप टोकन प्रेडिक्ट नहीं हो जाता।

मुख्य योगदान

क्रम-परिवर्तन अपरिवर्तनीय ऑटोरेग्रेसिव जेनरेशन: NEAT ने नेबरहुड गाइडेंस और सेट ट्रांसफॉर्मर का उपयोग करके एक नवीन प्रशिक्षण रणनीति पेश की है, जो 3D आणविक जेनरेशन को परमाणु क्रम के प्रति अपरिवर्तनीय बनाती है, जो ऑटोरेग्रेसिव मॉडलों में कैनोनिकल ऑर्डरिंग की सीमाओं को दूर करती है।
दक्षता (Efficiency): इनपुट को एक सेट के रूप में मानकर और प्रति टोकन एक सिंगल एनकोडर कॉल का उपयोग करके, NEAT डिफ्यूजन-आधारित मैसेज पासिंग की द्विघातीय स्केलिंग और कुछ फ्लो-मैचिंग बेसलाइन्स में पाए जाने वाले प्रति परमाणु जेनरेशन स्टेप मल्टीपल इंटीग्रेशन स्टेप्स की आवश्यकता दोनों से बचता है।
प्रिफिक्स कंप्लीशन क्षमता: NEAT की ऑर्डर इंडिपेंडेंस क्षमता उच्च गुणवत्ता वाली प्रिफिक्स कंप्लीशन (एक दिए गए स्कैफोल्ड के चारों ओर अणु उत्पन्न करना) को सक्षम बनाती है, जो एक ऐसा कार्य है जहाँ QUETZAL जैसे सीक्वेंस-आधारित मॉडल संघर्ष करते हैं।
अत्याधुनिक प्रदर्शन: NEAT मानक बेंचमार्क (QM9 और GEOM-Drugs) पर फ्लो-मैचिंग और ऑटोरेग्रेसिव बेसलाइन्स की तुलना में प्रतिस्पर्धी या बेहतर परिणाम प्राप्त करता है।

प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन QM9 (छोटे कार्बनिक अणु) और GEOM-Drugs (ड्रग-लाइक अणु) डेटासेट पर किया गया।

जेनरेशन क्वालिटी: QM9 पर, NEAT ने xyz2mol वैधता और यूनिकनेस के मामले में पिछले ऑटोरेग्रेसिव मॉडलों (G-SchNet, G-SphereNet, Symphony, Geo2Seq) को पछाड़ दिया। इसने 95.2% की xyz2mol वैधता और 91.6% की यूनिकनेस हासिल की, और लुकअप वैधता एवं यूनिकनेस के मामले में दूसरा स्थान प्राप्त किया। GEOM पर, NEAT ने ऑटोरेग्रेसिव मॉडलों में उच्चतम lookup वैधता (99.7%) और दूसरी सर्वश्रेष्ठ xyz2mol वैधता (93.9%) तथा यूनिकनेस (91.6%) प्राप्त की, जो FlowMol3 जैसे अत्याधुनिक फ्लो-मैचिंग मॉडलों के प्रदर्शन के बराबर है।
प्रिफिक्स कंप्लीशन: एक कार्य में जहाँ 100 विविध प्रिफिक्स से 1,000 अणु उत्पन्न किए गए, NEAT ने QUETZAL को काफी पीछे छोड़ दिया। NEAT ने 97.8% lookup वैधता और 92.7% xyz2mol वैधता प्राप्त की, जबकि QUETZAL ने क्रमशः केवल 27.8% और 28.1% प्राप्त की। यह परमाणु क्रम व्यवस्थाओं से स्वतंत्र संरचनात्मक विशेषताओं को सामान्य करने की NEAT की क्षमता को प्रदर्शित करता है।
रनटाइम दक्षता: NEAT महत्वपूर्ण गति लाभ दिखाता है। यह SemlaFlow की तुलना में लगभग 5 गुना तेज़ और FlowMol3 की तुलना में 16 गुना तेज़ चलता है। सबसे खराब मामलों में, NEAT की जटिलता $O(BN^3)$ है (जहाँ $N$ परमाणुओं की संख्या है), जबकि डिफ्यूजन/फ्लो मॉडल $O(BTN^2)$ के रूप में स्केल करते हैं (जहाँ $T$ इंटीग्रेशन स्टेप्स की संख्या है)। चूंकि ड्रग-लाइक अणुओं के लिए $N$ आमतौर पर $T$ से छोटा होता है, इसलिए NEAT एक व्यावहारिक गति लाभ प्रदान करता है।

महत्व और दावे

यह कार्य दावा करता है कि NEAT जटिल ड्रग डिजाइन कार्यों के लिए ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करने के लिए एक मजबूत आधार प्रदान करता है, विशेष रूप से कंडीशनल 3D मॉलिक्यूलर जेनरेशन के लिए। कैनोनिकल परमाणु क्रमों पर निर्भरता को समाप्त करके, यह मॉडल स्कैफोल्ड-आधारित जेनरेशन (प्रिफिक्स कंप्लीशन) जैसे लचीले कार्यों को सक्षम बनाता है, जो पहले ऑटोरेग्रेसिव दृष्टिकोणों के लिए कठिन थे।

लेखक ध्यान देते हैं कि हालांकि वर्तमान आर्किटेक्चर स्पष्ट रूप से SE(3)-इक्विवैरिएंट (equivariant) नहीं है, प्रशिक्षण के दौरान रैंडम रोटेशन ऑग्मेंटेशन का उपयोग प्रभावी रूप से इस क्षतिपूर्ति करता है, जिसके परिणामस्वरूप भविष्यवाणियों में केवल मामूली भिन्नता आती है। यह कार्य सुझाव देता है कि NEAT को SE(3)-इक्विवैरिएंट ट्रांसफॉर्मर के साथ एकीकृत करना भविष्य के अनुसंधान के लिए एक आशाजनक दिशा है।

लेखक इस बात पर जोर देते हैं कि हालांकि मॉडल उच्च गुणवत्ता वाली 3D संरचनाएं उत्पन्न करता है, लेकिन अणु निर्माण एक जटिल पाइपलाइन का केवल एक चरण है जिसके लिए व्यापक सत्यापन, संश्लेषण और परीक्षण की आवश्यकता होती है। वे सीमाओं को भी स्वीकार करते हैं, जैसे कि नेबरहुड गाइडेंस के लिए एज (edge) जानकारी पर निर्भरता (जो अकार्बनिक क्रिस्टल के लिए इसकी प्रयोज्यता को सीमित कर सकती है) और प्रशिक्षण के दौरान देखे गए अधिकतम परमाणुओं की संख्या से परे एक्सट्रपलेशन (extrapolation) की कमी।