🔬 materials science

Performance of universal machine learning potentials in global optimization

यह शोध पत्र अनियंत्रित वैश्विक अनुकूलन कार्यों (unconstrained global optimization tasks) में यूनिवर्सल मशीन लर्निंग पोटेंशियल की नवीनतम पीढ़ी का व्यवस्थित रूप से बेंचमार्किंग करता है, जो 'एब इनीशियो' (ab initio) सटीकता से लेकर गैर-अनुमानित परिणामों तक के विस्तृत प्रदर्शन स्पेक्ट्रम को प्रकट करता है और साथ ही यह भी प्रदर्शित करता है कि कई मॉडल जटिल क्रिस्टल ग्राउंड स्टेट्स की पहचान करने के लिए सूक्ष्म इलेक्ट्रॉनिक संरचना विशेषताओं को सफलतापूर्वक पकड़ सकते हैं।

मूल लेखक: Edan T. Marcial, Laxman Chaudhary, Olesya Gorbunova, Aleksey N. Kolmogorov

प्रकाशित 2026-03-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Edan T. Marcial, Laxman Chaudhary, Olesya Gorbunova, Aleksey N. Kolmogorov

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 लेगो (LEGO) ईंटों के एक विशाल ढेर को एक स्थिर किला बनाने के लिए सबसे बेहतरीन तरीके से व्यवस्थित करने की कोशिश कर रहे हैं। पदार्थ विज्ञान (materials science) की दुनिया में, ये "ईंटें" परमाणु (atoms) हैं, और "किला" एक नया क्रिस्टल स्ट्रक्चर है।

दशकों तक, वैज्ञानिकों ने सबसे अच्छा स्टैकिंग क्रम (stacking order) पता लगाने के लिए एक अत्यंत सटीक, लेकिन अविश्वसनीय रूप से धीमी विधि का उपयोग किया। यह एक रूबिक क्यूब को हर एक छोटे टुकड़े को हिलाकर और हर चाल के भौतिकी (physics) की जांच करके हल करने जैसा है। इसे डेंसिटी फंक्शनल थ्योरी (DFT) कहा जाता है। यह सटीक है, लेकिन इसमें इतनी अधिक कंप्यूटिंग शक्ति लगती है कि आप अपने पूरे जीवनकाल में केवल कुछ मिलियन संयोजन ही जांच सकते हैं।

यहाँ प्रवेश होता है मशीन लर्निंग पोटेंशियल (MLPs) का। इन्हें "स्मार्ट शॉर्टकट" के रूप में सोचें। हर बार भौतिकी की गणना शून्य से करने के बजाय, कंप्यूटर पिछले गणनाओं के एक विशाल पुस्तकालय से सीखता है। यह एक "क्रिस्टल अंतर्ज्ञान" (crystal intuition) इंजन बन जाता है जो लगभग तुरंत किसी संरचना की ऊर्जा का अनुमान लगा सकता है।

हाल ही में, वैज्ञानिकों ने यूनिवर्सल मशीन लर्निंग पोटेंशियल (uMLPs) विकसित किए हैं। ये "ऑल-इन-वन" ऐप्स की तरह हैं। "आयरन ब्रिक्स" या "कार्बन ब्रिक्स" के लिए एक विशिष्ट ऐप बनाने के बजाय, इन मॉडलों को आवर्त सारणी (periodic table) की हर चीज़ पर प्रशिक्षित किया गया है। उम्मीद यह है कि आप बस इस ऐप को डाउनलोड कर सकते हैं और बिना किसी कस्टमाइज़ेशन के किसी भी प्रकार का क्रिस्टल बना सकते हैं।

द बिग टेस्ट: द "अनकन्स्ट्रेंड" चैलेंज

इस शोध पत्र के लेखकों ने एक कठिन प्रश्न पूछा: क्या ये "ऑल-इन-वन" ऐप्स वास्तव में काम करते हैं जब आप उन्हें बेकाबू छोड़ देते हैं?

आमतौर पर, इन ऐप्स का परीक्षण उन संरचनाओं पर किया जाता है जिन्हें हम पहले से जानते हैं (जैसे कि एक पहले से बना हुआ लेगो सेट)। लेकिन वास्तविक खोज में, वैज्ञानिक ऐसी नई संरचनाएं खोजना चाहते हैं जिन्हें पहले कभी नहीं देखा गया है। इसे ग्लोबल ऑप्टिमाइज़ेशन (Global Optimization) कहा जाता है। यह कंप्यूटर को यह बताने जैसा है कि, "यहाँ कुछ परमाणु हैं, मेरे लिए सबसे स्थिर किला बनाओ, और मुझे यह बताने की ज़रूरत नहीं है कि वह कैसा दिखना चाहिए।"

शोधकर्ताओं ने नवीनतम, सबसे लोकप्रिय नौ "ऑल-इन-वन" ऐप्स (M3GNet, MACE, SevenNet, आदि जैसे मॉडल) को लिया और उन्हें 12 अलग-अलग रासायनिक प्रणालियों पर आज़माया। वे यह देखना चाहते थे कि क्या ये मॉडल वास्तविक "ग्राउंड स्टेट" (सबसे स्थिर, निम्नतम-ऊर्जा वाली संरचना) को खोज पाएंगे या वे उलझन में फंस जाएंगे।

परिणाम: दो मॉडलों की कहानी

परिणाम "वाह!" और "ओह नहीं!" का मिश्रण थे।

1. स्टार परफॉर्मर्स (बेहतरीन प्रदर्शन करने वाले):
कुछ मॉडल, विशेष रूप से eSEN और SevenNet, विशेषज्ञ मास्टर बिल्डरों की तरह थे। वे परमाणुओं के जटिल परिदृश्य में नेविगेट कर सके, उन छिपे हुए घाटियों (valleys) को खोज सके जहाँ सबसे स्थिर संरचनाएं छिपी होती हैं, और बहुत समान दिखने वाले डिजाइनों के बीच अंतर कर सके। वे इतने अच्छे थे कि वे उन सूक्ष्म इलेक्ट्रॉनिक युक्तियों को भी पहचान सके जिनका उपयोग प्रकृति कुछ धातुओं को स्थिर करने के लिए करती है।

2. स्ट्रग्लर्स (संघर्ष करने वाले):
अन्य मॉडल, जैसे कि पुराने M3GNet, थोड़े भ्रमित पर्यटक की तरह थे। वे अक्सर "नकली" घाटियों में फंस गए—ऐसी संरचनाएं जो मॉडल के लिए स्थिर लग रही थीं लेकिन वास्तव में वास्तविक दुनिया में निरर्थक थीं। कुछ मामलों में, उन्होंने सबसे अच्छी संरचना को पूरी तरह से मिस कर दिया।

3. "हैलुसिनेशन" (भ्रम):
एक मज़ेदार (लेकिन गंभीर) विफलता सिल्वर परक्लोरेट ( $AgClO_4$ ) नामक यौगिक के साथ हुई। मॉडल ठोस के भीतर ऑक्सीजन के तैरते हुए जोड़ों ( $O_2$ ) के साथ संरचना बनाने की कोशिश करते रहे। यह ऐसा है जैसे लेगो AI ने तय कर लिया कि हवा में जुड़े हुए दो ईंटों का जोड़ा किले का एक वैध हिस्सा है! मॉडलों ने पर्याप्त उदाहरण नहीं देखे थे कि ठोस में ऑक्सीजन कैसे व्यवहार करता है, इसलिए वे यह नहीं जान पाए कि यह एक बुरा विचार था।

"सरप्राइज" डिस्कवरी (आश्चर्यजनक खोजें)

चूंकि शोधकर्ताओं ने मॉडलों को बहुत स्वतंत्र रूप से चलने दिया, उन्हें अनजाने में कुछ नया मिला।

"बेहतर" Na2CN2: एक मॉडल ने सोडियम साइनाइड को पैक करने का एक नया तरीका खोजा जो ज्ञात संस्करण की तुलना में अधिक स्थिर लग रहा था, लेकिन केवल एक विशिष्ट प्रकार की भौतिक गणना का उपयोग करने पर। यह पता चला कि यह उस विशिष्ट गणना पद्धति का एक दोष (fluke) था, न कि कोई वास्तविक नया पदार्थ।
"हिडन" MgB3C3: एक अन्य मॉडल ने मैग्नीशियम-बोरॉन-कार्बन मिश्रण के लिए एक नई संरचना खोजी जो पहले से ज्ञात "सुपरकंडक्टर" उम्मीदवार की तुलना में अधिक स्थिर थी। यह सुझाव देता है कि यदि हम यह सामग्री बना सकें, तो इसमें पहले से सोचा गए मुकाबले कहीं अधिक शानदार गुण हो सकते हैं।

"ट्रिकी" केस (जब भौतिकी अजीब हो जाती है)

पेपर में तीन "ट्रिकी" परिदृश्यों का भी परीक्षण किया गया जहाँ परमाणु उनके इलेक्ट्रॉनिक स्ट्रक्चर के कारण अजीब व्यवहार करते हैं:

स्ट्रेची जिंक (Stretchy Zinc): जिंक परमाणु आमतौर पर एक पूर्ण हेक्सागन में पैक होते हैं, लेकिन वास्तव में, वे अजीब तरह से खिंच जाते हैं। अधिकांश मॉडल इस खिंचाव की भविष्यवाणी करने में विफल रहे, उन्होंने इसे एक सामान्य हेक्सागन की तरह माना। केवल एक मॉडल इसे सही ढंग से पकड़ पाया।
शेपशिफ्टिंग बोराइड्स (Shapeshifting Borides): कुछ धातु-बोरॉन यौगिक धातु के उपयोग के आधार पर अलग-अलग आकारों में मुड़ सकते हैं। सर्वश्रेष्ठ मॉडल इन मोड़ों की भविष्यवाणी कर सके; अन्य केवल "डिफ़ॉल्ट" आकार देखते थे और सूक्ष्म परिवर्तनों को मिस कर देते थे।
ऑफ-रेसिपी लिथियम (Off-Recipe Lithium): लिथियम और बोरॉन आमतौर पर एक आदर्श अनुपात में मिश्रित होते हैं, लेकिन कभी-कभी वे एक अजीब, ऑफ-रेशियो तरीके से मिश्रित होते हैं। मॉडलों ने आश्चर्यजनक रूप से इसे सही पकड़ा, यह सही भविष्यवाणी की कि "अजीब" मिश्रण वास्तव में सबसे स्थिर है।

निचोड़ (The Bottom Line)

यह पेपर पदार्थ विज्ञान में नए पीढ़ी के AI उपकरणों के लिए एक विशाल "तनाव परीक्षण" (stress test) है।

अच्छी खबर: हम बहुत करीब पहुँच रहे हैं। सर्वश्रेष्ठ मॉडल अब नए पदार्थों की खोज के लिए एक "प्रथम ड्राफ्ट" के रूप में कार्य करने के लिए पर्याप्त अच्छे हैं। वे मिनटों में वह कर सकते हैं जिसमें सुपरकंप्यूटर के हफ्तों लग जाते।

बुरी खबर: वे अभी भी पूर्ण नहीं हैं। वे अभी भी अजीब रसायन विज्ञान से भ्रमित हो सकते हैं या असंभव संरचनाओं का "भ्रम" (hallucination) पैदा कर सकते हैं।

मुख्य बात: आप केवल एक "ऑल-इन-वन" ऐप डाउनलोड नहीं कर सकते और यह उम्मीद नहीं कर सकते कि वह हर बार 100% सही होगा। आपको अभी भी एक मानव विशेषज्ञ (या अंतिम जांच के लिए धीमी, सटीक भौतिकी विधि) की आवश्यकता है ताकि परिणामों को सत्यापित किया जा सके। हालाँकि, ये उपकरण खोज की प्रक्रिया को "भूसे के ढेर में सुई खोजने" से बदलकर "एक छोटे बॉक्स में सुई खोजने" तक सीमित करने के लिए पर्याप्त शक्तिशाली हैं।

संक्षेप में: AI एक शानदार प्रशिक्षु (apprentice) है, लेकिन वास्तविक निर्माण शुरू करने से पहले उसे अपना काम दोबारा जांचने के लिए एक मास्टर बिल्डर की आवश्यकता होती है।

यहाँ मार्सियल एट अल. द्वारा लिखित शोध पत्र "Performance of universal machine learning potentials in global optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मशीन लर्निंग इंटरएटोमिक पोटेंशियल (MLPs) ने DFT-स्तर की सटीकता को बहुत कम गणनात्मक लागत पर प्रदान करके सामग्री सिमुलेशन (materials simulation) में क्रांति ला दी है। जबकि यूनिवर्सल MLPs (uMLPs)—जो विशाल और विविध डेटासेट्स पर प्रशिक्षित हैं—गुण विशेषता भविष्यवाणी (property prediction) और स्थानीय अनुकूलन (local optimization) में आशाजनक रहे हैं—उनकी अप्रतिबंधित वैश्विक संरचना खोज (unconstrained global structure searches) में विश्वसनीयता अभी भी अपुष्ट है।

ग्लोबल ऑप्टिमिज़ेशन एक चुनौतीपूर्ण अनुप्रयोग है क्योंकि यह संभावित ऊर्जा सतह (potential energy surface - PES) के विशाल क्षेत्रों का अन्वेषण करता है, जो अक्सर उन रूपांकनों (motifs) और विन्यासों (configurations) की जांच करता है जो प्रशिक्षण डेटा में अनुपस्थित होते हैं। मुख्य चुनौती यह निर्धारित करना है कि क्या वर्तमान uMLPs:

स्प्यूरियस (spurious) स्थानीय मिनिमा से भ्रमित हुए बिना, प्रतिस्पर्धी चरणों (competing phases) के बीच वास्तविक ग्राउंड स्टेट (ground state) की मजबूती से पहचान कर सकते हैं।
सूक्ष्म इलेक्ट्रॉनिक संरचना विशेषताओं (जैसे बैंड टोपोलॉजी, पेयर्स डिस्टॉर्शन) से उत्पन्न होने वाले सूक्ष्म ऊर्जा अंतरों को सटीक रूप से हल कर सकते हैं।
सिस्टम-विशिष्ट पुन: प्रशिक्षण के बिना विविध रसायन विज्ञान और बॉन्डिंग प्रकारों में सामान्यीकरण (generalize) कर सकते हैं।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक विकासवादी एल्गोरिदम (evolutionary algorithm) ढांचे का उपयोग करके नौ अत्याधुनिक uMLPs का एक व्यवस्थित बेंचमार्क आयोजित किया।

मूल्यांकित मॉडल: विभिन्न आर्किटेक्चर और प्रशिक्षण सेटों वाले नौ मॉडल: M3GNet (MG), MACE (MC), SevenNet (SN), EquiformerV2 (EQ), MatterSim (MS), GRACE (GR), eSEN (EN), Orb-v3 (OR), और PET-MAD (PT)।
खोज प्रोटोकॉल (Search Protocol):
- एल्गोरिदम: 100 संरचनाओं वाली आबादी को 100 पीढ़ियों तक विकसित करने के लिए एक विकासवादी खोज (MAISE) का उपयोग किया गया।
- सरोगेट भूमिका: uMLPs ने संरचनाओं को रैंक करने और उन्हें रिलैक्स (relax) करने के लिए "आउट-ऑफ-द-बॉक्स" सरोगेट मॉडल के रूप में कार्य किया।
- सत्यापन: uMLPs द्वारा पहचाने गए कम-ऊर्जा वाले उम्मीदवारों को संदर्भ DFT विधियों (मुख्य रूप से PBE, PBEsol और r2SCAN के साथ तुलना) का उपयोग करके पुनः अनुकूलित (re-optimized) किया गया।
- मेट्रिक्स: प्रदर्शन का मूल्यांकन रैंकिंग RMSE (कम-ऊर्जा पूलों में सापेक्ष ऊर्जाओं का रूट मीन स्क्वायर एरर), एनर्जी प्रॉक्सिमिटी (DFT मिनिमा से uMLP मिनिमा का विचलन), और स्ट्रक्चरल प्रॉक्सिमिटी (फिंगरप्रिंट समानता) का उपयोग करके किया गया।
परीक्षण प्रणालियाँ (Test Systems):
- 12 अकार्बनिक यौगिक: मानक प्रणालियों (जैसे TiO2, Si3CaPt) और जटिल रूपांकनों वाले हाल ही में प्रस्तावित ग्राउंड स्टेट्स (जैसे Li3Sn, Pd5Sn3, MgB3C3) सहित।
- तीन चुनौतीपूर्ण मामले:
  1. hcp-Zn: इलेक्ट्रॉनिक बैंड टोपोलॉजी द्वारा संचालित असामान्य $c/a$ अनुपात को पुनरुत्पादित करने की क्षमता का परीक्षण।
  2. MB4 (M = Cr, Mn, Fe): सिमिट्री ब्रेकिंग और पेयर्स डिस्टॉर्शन से जुड़े प्रतिस्पर्धी पॉलीमॉर्फ्स के समाधान का परीक्षण।
  3. LiBy ( $y \approx 0.9$ ): प्रमुख डेटाबेस में मौजूद न होने वाले ऑफ-स्टोइकोमेट्रिक चरणों का परीक्षण, जो सूक्ष्म चार्ज ट्रांसफर और ऑर्बिटल प्रभावों पर निर्भर करते हैं।

3. मुख्य योगदान (Key Contributions)

अनकन्स्ट्रेंड खोज के लिए पहला व्यवस्थित बेंचमार्क: पिछले अध्ययन जो स्थानीय अनुकूलन या गुण भविष्यवाणी पर केंद्रित थे, के विपरीत, यह कार्य विशेष रूप से बिना किसी पूर्व संरचनात्मक इनपुट के नए क्रिस्टल संरचनाओं की खोज करने की uMLPs की "ब्लैक बॉक्स" क्षमता को लक्षित करता है।
व्यापक मेट्रिक सूट: लेखकों ने एक कठोर प्रोटोकॉल पेश किया जिसमें मर्ज किए गए कैंडिडेट पूल्स और विशिष्ट मेट्रिक्स (Ranking RMSE) शामिल हैं, जो औसत ऊर्जा बदलावों के पूर्वाग्रहों को हटाकर प्रतिस्पर्धी निम्न-ऊर्जा अवस्थाओं को रैंक करने की मॉडल की क्षमता को अलग करते हैं।
नए चरणों की खोज: बेंचमार्किंग प्रक्रिया ने स्वयं दो संभावित रूप से अधिक स्थिर चरणों की खोज की:
- tI10-Na2CN2: CN2 इकाइयों की कम सघन पैकिंग (हालांकि यह संभवतः एक PBE-विशिष्ट आर्टिफैक्ट है)।
- oI28-MgB3C3: एक 3D-कनेक्टेड BC फ्रेमवर्क जो सभी परीक्षण किए गए DFT फंक्शनल्स में पहले से प्रस्तावित लेयर्ड हनीकॉम्ब सुपरकंडक्टर की तुलना में अधिक स्थिर है।
प्रदर्शन स्तरीकरण (Performance Stratification): यह अध्ययन uMLPs को केवल सटीकता के आधार पर नहीं, बल्कि विशिष्ट प्रकार के ग्लोबल एक्सप्लोरेशन कार्यों के लिए उनकी उपयुक्तता के आधार पर वर्गीकृत करता है।

4. परिणाम (Results)

A. ग्लोबल सर्च सफलता दर (Global Search Success Rates)

उच्च प्रदर्शन करने वाले: eSEN (EN) और SevenNet (SN) ने उच्चतम सफलता दर (92%) प्रदर्शित की, 12 में से 11 यौगिकों के लिए ग्राउंड स्टेट्स को सफलतापूर्वक खोजा। EquiformantV2 (EQ) ने भी अच्छा प्रदर्शन किया (75% सफलता) लेकिन अधिक लो-सिमेट्री उम्मीदवारों के बड़े पूल उत्पन्न किए, जो यह सुझाव देता है कि यह PES का अधिक व्यापक रूप से अन्वेषण करता है।
निम्न प्रदर्शन करने वाले: M3GNet (MG) ने खराब प्रदर्शन किया (17% सफलता), अधिकांश यौगिकों के लिए ग्राउंड स्टेट्स को पहचानने में विफल रहा और अवास्तविक (unphysical) मिनिमा उत्पन्न किए।
सामान्य प्रवृत्ति: बड़े मॉडल जिनमें अधिक अभिव्यंजक डिस्क्रिप्टर्स (जैसे EQ, EN) होते हैं, वे आमतौर पर छोटे और शुरुआती आर्किटेक्चर की तुलना में बेहतर प्रदर्शन करते हैं।
विफलता मोड (Failure Mode): सभी मॉडलों के बीच एकमात्र व्यवस्थित विफलता AgClO4 थी, जहाँ मॉडल आणविक $O_2$ डाइमर को हतोत्साहित करने में विफल रहे, जो विशिष्ट ऑक्सीजन बॉन्डिंग वातावरण के लिए प्रशिक्षण डेटा की कमी को दर्शाता है।

B. मात्रात्मक मेट्रिक्स (Quantitative Metrics)

रैंकिंग RMSE: सर्वश्रेष्ठ मॉडलों (EN, EQ) ने 5–7 meV/atom के बीच रैंकिंग RMSE प्राप्त किया, जो सामान्य बेंचमार्क (जैसे MatBench) में रिपोर्ट किए गए ~20 meV/atom के विशिष्ट त्रुटि से काफी कम है। यह इंगित करता है कि uMLPs ग्राउंड स्टेट के पास सापेक्ष ऊर्जा परिदृश्य (relative energy landscape) में अत्यधिक सटीक हैं, भले ही पूर्ण ऊर्जाएं भिन्न हों।
एनर्जी प्रॉक्सिमिटी: eSen ने DFT के साथ पुन: अनुकूलन करने पर ऊर्जा और स्ट्रक्चरल फिंगरप्रिंट में सबसे कम विचलन दिखाया।

C. केस स्टडी विशिष्टताएँ (Case Study Specifics)

hcp-Zn (इलेक्ट्रॉनिक विसंगति): अधिकांश uMLPs असामान्य $c/a$ अनुपात (1.826) से जुड़े उथले ऊर्जा बेसिन (shallow energy basin) को पुनरुत्पादित करने में विफल रहे। केवल SevenNet (SN) ने DFT ऊर्जा प्रोफाइल का बारीकी से अनुसरण किया। अन्य मॉडलों ने या तो आदर्श पैकिंग को प्राथमिकता दी या डिस्क्रीटाइजेशन आर्टिफैक्ट्स पेश किए।
MB4 (सिमिट्री ब्रेकिंग): eSen और EquiformantV2 ही वे मॉडल थे जिन्होंने विकृत ग्राउंड स्टेट्स (Mn के लिए mP20, Cr/Fe के लिए oP10) को सही ढंग से पहचाना और 10 meV/atom के भीतर स्थिरीकरण ऊर्जा (stabilization energy) को मापा।
LiBy (ऑफ-स्टोइकोमेट्री): सभी uMLPs ने Li-समृद्ध क्षेत्र ( $y \approx 0.9$ ) में स्थिरता न्यूनतम (stability minimum) को सही ढंग से रखा, भले ही यह चरण प्रमुख डेटासेट्स में कम प्रतिनिधित्व वाला था। हालांकि, उन्होंने $\alpha$ और $\beta$ चरणों के बीच ऊर्जा अंतर और स्थिरता परवलय (stability parabola) की वक्रता को कम करके आंका।

5. महत्व और निष्कर्ष (Significance and Conclusion)

पैराडाइम शिफ्ट: परिणाम बताते हैं कि सिस्टम-विशिष्ट क्षमताएं अब प्रारंभिक क्रिस्टल संरचना अन्वेषण के लिए सख्त आवश्यक नहीं हैं। पूर्व-प्रशिक्षित uMLPs नए थर्मोडायनामिक रूप से स्थिर पदार्थों की खोज के लिए मजबूत शुरुआती बिंदु के रूप में कार्य कर सकते हैं।
मॉडल चयन: यह अध्ययन रेखांकित करता है कि eSEN वर्तमान में विविध कार्यों के लिए सबसे सुसंगत प्रदर्शन प्रदान करता है, जो ग्लोबल सर्च सफलता और सूक्ष्म इलेक्ट्रॉनिक प्रभावों को पकड़ने की क्षमता के बीच संतुलन बनाता है। M3GNet, अपनी लोकप्रियता के बावजूद, जटिल प्रणालियों में अनकन्स्ट्रेंड ग्लोबल ऑप्टिमाइज़ेशन के लिए अपर्याप्त दिखाया गया है।
भविष्य की दिशाएं: जबकि uMLPs शक्तिशाली हैं, यह अध्ययन निम्नलिखित की आवश्यकता पर बल देता है:
- लक्षित पुन: प्रशिक्षण (Targeted Retraining): विशिष्ट विफलताओं (जैसे AgClO4 में ऑक्सीजन बॉन्डिंग) को ठीक करने के लिए।
- हाइब्रिड वर्कफ़्लो: व्यापक अन्वेषण के लिए uMLPs का उपयोग करना और उसके बाद एक छोटे कैंडिडेट पूल के लिए DFT पुन: अनुकूलन करना।
- डेटा विविधता: सूक्ष्म ऊर्जा अंतरों को हल करने के लिए प्रशिक्षण सेटों में विशिष्ट इलेक्ट्रॉनिक संरचना विशेषताओं और ऑफ-स्टोइकोमेट्रिक चरणों का समावेश महत्वपूर्ण है।

निष्कर्षतः, यह कार्य स्थापित करता है कि uMLPs की नवीनतम पीढ़ी परिपक्वता के उस स्तर तक पहुँच गई है जहाँ वे जटिल अकार्बनिक पदार्थों की खोज को प्रभावी ढंग से तेज कर सकती हैं, बशर्ते कि विशिष्ट इलेक्ट्रॉनिक शासन (electronic regimes) में उनकी सीमाओं को स्वीकार किया जाए और प्रबंधित किया जाए।