🔬 condensed matter

Scaling Autoregressive Models for Lattice Thermodynamics

यह शोध पत्र किसी भी क्रम के ऑटोरेग्रेसिव मॉडल्स (any-order autoregressive models) को मार्जिनलाइजेशन मॉडल्स (marginalization models) के साथ संयोजित करने वाले एक स्केलेबल फ्रेमवर्क का परिचय देता है ताकि लैटिस थर्मोडायनामिक्स के लिए परमाणु विन्यासों (atomic configurations) को कुशलतापूर्वक उत्पन्न किया जा सके, जिससे पारंपरिक सैंपलिंग विधियों की तुलना में कम कम्प्यूटेशनल लागत पर बड़े सिस्टम में सटीक मुक्त ऊर्जा भविष्यवाणियों और चरण संक्रमण विश्लेषण को सक्षम बनाया जा सके।

मूल लेखक: Xiaochen Du, Juno Nam, Sulin Liu, Rafael Gómez-Bombarelli

प्रकाशित 2026-03-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaochen Du, Juno Nam, Sulin Liu, Rafael Gómez-Bombarelli

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि एक विशाल स्टेडियम में लोगों की भीड़ कैसा व्यवहार करेगी। आप जानना चाहते हैं: क्या वे सब एक साथ खड़े हो जाएंगे? क्या वे समूहों में बंट जाएंगे? क्या वे बेतरतीब ढंग से बैठ जाएंगे?

पदार्थ विज्ञान (materials science) की दुनिया में, "लोग" परमाणु (atoms) हैं, "स्टेडियम" एक क्रिस्टल लैटिस (एक ग्रिड जहाँ परमाणु स्थित होते हैं) है, और "व्यवहार" यह है कि गर्मी या दबाव के तहत वह पदार्थ कैसे कार्य करता है। यह बेहतर बैटरी, मजबूत मिश्र धातु (alloys), या अधिक कुशल उत्प्रेरक (catalysts) डिजाइन करने के लिए अत्यंत महत्वपूर्ण है।

समस्या यह है कि परमाणु अराजक होते हैं। उनके व्यवहार का अनुमान लगाने के लिए, वैज्ञानिक पारंपरिक रूप से मोंटे कार्लो सैंपलिंग (Monte Carlo sampling) नामक विधि का उपयोग करते हैं। इसे ऐसे समझें जैसे कि आप स्टेडियम का मानचित्र बनाने के लिए एक बार में एक व्यक्ति से पूछ रहे हों, "क्या आप खड़े हैं या बैठे हैं?" और फिर उनके पड़ोसी से पूछते जा रहे हैं, और इसी तरह। यह धीमा है। यदि भीड़ अचानक एक साथ खड़े होने का निर्णय लेती है (एक "फेज ट्रांजिशन" या अवस्था परिवर्तन), तो यह विधि फंस सकती है, जैसे कि ट्रैफिक जाम हो जाता है, और नए पैटर्न को समझने में बहुत समय ले लेती है।

नया समाधान: एक स्मार्ट, लचीला फोटोग्राफर

इस शोध पत्र के लेखकों ने एक नए प्रकार का "स्मार्ट फोटोग्राफर" (एक मशीन लर्निंग मॉडल) बनाया है जो केवल एक समय में एक फोटो नहीं लेता है। इसके बजाय, यह भीड़ के नियमों को इतनी अच्छी तरह सीख लेता है कि यह तुरंत पूरे स्टेडियम की एक यथार्थवादी फोटो बना सकता है, चाहे वह कितना भी बड़ा क्यों न हो।

उन्होंने इसे तीन सरल अवधारणाओं का उपयोग करके किया है:

1. "एनी-ऑर्डर" नियम (कोई कठोर रेखाएं नहीं)

पुरानी विधियाँ ऐसी थीं जैसे एक फोटोग्राफर जो केवल स्टेडियम को बाएं से दाएं, ऊपर से नीचे स्कैन करते हुए फोटो लेता था। यदि आप जानना चाहते थे कि पिछली पंक्ति कैसी दिखती है, तो उन्हें पहले पूरी अगली पंक्ति को स्कैन करना पड़ता था। यह धीमा और कठोर था।

लेखकों ने एक "एनी-ऑर्डर" (Any-Order) मॉडल बनाया। कल्पना करें कि एक फोटोग्राफर किसी भी हिस्से को देख सकता है, देख सकता है कि कौन पहले से खड़ा है, और तुरंत अनुमान लगा सकता है कि उनके बगल में कौन बैठा है, चाहे वह कहीं भी देख रहा हो।

उपमा: यह "मैड लिब्स" (Mad Libs) के खेल की तरह है जहाँ आप किसी भी क्रम में रिक्त स्थान भर सकते हैं। यदि आप वाक्य के पहले और अंतिम शब्द को जानते हैं, तो आप बीच के शब्दों का अनुमान लगा सकते हैं। यदि आप बीच वाले को जानते हैं, तो आप शुरुआत का अनुमान लगा सकते हैं। जटिल सामग्रियों के लिए यह लचीलापन ही कुंजी है।

2. "मार्जिनलाइजेशन" शॉर्टकट (एक-चरण का जादू)

लचीले फोटोग्राफर के होने के बावजूद, एक विशाल स्टेडियम (एक बड़ा क्रिस्टल) को एक समय में एक परमाणु करके देखना कंप्यूटर की मेमोरी के लिए बहुत अधिक काम है। यह एक लाख लोगों की भीड़ में हर एक व्यक्ति का चेहरा याद रखने जैसा है।

लेखकों ने एक "मार्जिनलाइजेशन" (Marginalization) ट्रिक जोड़ी। प्रत्येक व्यक्ति को याद रखने के बजाय, मॉडल एक साथ एक पूरे समूह की संभावना (probability) का अनुमान लगाना सीख जाता है।

उपमा: भीड़ में हर व्यक्ति को याद करने के बजाय, मॉडल यह कहना सीख जाता है, "इस अनुभाग में, एक समूह के खड़े होने की 90% संभावना है।" यह उबाऊ चरण-दर-चरण गिनती को छोड़ देता है और सीधे बड़ी तस्वीर पर कूद जाता है। यह कंप्यूटर की मेमोरी की भारी मात्रा बचाता है।

3. "आउट-पेंटिंग" (लेगो विस्तार)

यह सबसे शानदार हिस्सा है। आमतौर पर, यदि आप एक छोटे सिस्टम (जैसे 10x10 ग्रिड) पर मॉडल को प्रशिक्षित करते हैं, तो वह बड़े सिस्टम (20x20) को नहीं संभाल सकता। यह एक छोटा लेगो (Lego) घर बनाना सीखने और फिर यह सुनने जैसा है कि आप एक महल नहीं बना सकते।

लेखकों ने "आउट-पेंटिंग" (Out-Painting) तकनीक का उपयोग किया (जो AI इमेज जनरेटर से ली गई है)।

उपमा: कल्पना करें कि आपके पास एक मॉडल है जो एक आदर्श 10x10 लेगो घर बनाना जानता है। आप उस छोटे घर को एक विशाल खाली मैदान के बीच में रखते हैं। मॉडल फिर आपके छोटे घर के किनारों को देखता है और कहता है, "ठीक है, मैं लेगो के नियम जानता हूँ, इसलिए मैं बाकी हिस्से को भरने के लिए बाहर की ओर निर्माण जारी रख सकता हूँ।"
परिणाम: उन्होंने अपने मॉडल को छोटे सिस्टम पर प्रशिक्षित किया और फिर बिना पुन: प्रशिक्षित किए इसे बहुत बड़े सिस्टम पर "पेंट" कर दिया। यह एक बच्चे को एक छोटा वृत्त बनाना सिखाने जैसा है, और फिर वे उसी मसल मेमोरी का उपयोग करके तुरंत एक विशाल वृत्त बना सकते हैं।

उन्होंने क्या पाया?

उन्होंने इसका परीक्षण दो चीजों पर किया:

आइसिंग मॉडल (Ising Model): चुंबकों (स्पिन ऊपर या नीचे की ओर) के बारे में एक क्लासिक भौतिकी पहेली।
CuAu अलॉय (Alloys): तांबे (Copper) और सोने (Gold) के परमाणुओं का एक वास्तविक दुनिया का मिश्रण।

विजेता:

"ट्रांसफॉर्मर" मॉडल: उन्होंने एक विशिष्ट प्रकार के AI आर्किटेक्चर (ट्रांसफॉर्मर) का उपयोग किया जो "बड़ी तस्वीर" और लंबी दूरी के कनेक्शन देखने में माहिर है। यह एक वाइड-लेंस वाले फोटोग्राफर जैसा था जो समझता है कि अगली पंक्ति में होने वाली खुशी का असर पिछली पंक्ति पर कैसे पड़ता है।
हारने वाले: पुराने, सरल मॉडल (MLPs) और वे मॉडल जो केवल निकटतम पड़ोसियों को देखते थे (GNNs), जटिल पैटर्न को पकड़ने में विफल रहे, विशेष रूप से जब सामग्री अपनी अवस्था (phase) बदल रही थी (जैसे पिघलना या जमना)। वे "स्टेडियम" के पूरे हिस्सों को ही मिस कर गए।

यह क्यों मायने रखता है?

गति: एक बार मॉडल प्रशिक्षित हो जाने के बाद, यह सेकंडों में लाखों यथार्थवादी परमाणु विन्यास (configurations) उत्पन्न कर सकता है, जबकि पारंपरिक तरीकों में दिनों लग सकते हैं।
सटीकता: यह सही ढंग से भविष्यवाणी करता है कि सामग्रियां कब अपनी अवस्था बदलती हैं (जैसे कि जब एक धातु चुंबकीय होती है या एक मिश्र धातु अलग होती है), जो नई सामग्रियों को डिजाइन करने के लिए महत्वपूर्ण है।
स्केलेबिलिटी (Scalability): "आउट-पेंटिंग" ट्रिक के कारण, वे प्रयोगशाला में छोटे क्रिस्टल का अध्ययन कर सकते हैं और उसी मॉडल का उपयोग यह भविष्यवाणी करने के लिए कर सकते हैं कि बड़े औद्योगिक स्तर की सामग्रियां कैसे व्यवहार करेंगी, बिना हर नए आकार के लिए सुपरकंप्यूटर की आवश्यकता के।

संक्षेप में: लेखकों ने एक लचीला, मेमोरी-कुशल AI बनाया है जो परमाणुओं के "खेल के नियमों" को सीखता है। एक बार जब यह एक छोटे बोर्ड पर नियम सीख लेता है, तो यह तुरंत एक विशाल बोर्ड पर खेल सकता है, जिससे वैज्ञानिकों को पहले से कहीं अधिक तेज़ी से बेहतर सामग्रियां डिजाइन करने में मदद मिलती है।

यहाँ "Scaling Autoregressive Models for Lattice Thermodynamics" (Du et al. द्वारा लिखित) का विस्तृत तकनीकी सारांश हिंदी में दिया गया है:

1. समस्या विवरण (Problem Statement)

वास्तविक परिस्थितियों में पदार्थ के व्यवहार की भविष्यवाणी करने के लिए क्रिस्टल जाली (crystal lattices) पर परमाणु विन्यासों के सांख्यिकीय वितरण का नमूना लेना (sampling) आवश्यक है (लैटिस थर्मोडायनामिक्स)। यह मिश्र धातु डिजाइन (alloy design), उत्प्रेरण (catalysis), और चरण संक्रमण (phase transitions) के अध्ययन के लिए महत्वपूर्ण है।

पारंपरिक विधियों की सीमाएँ: मार्कोव-चेन मोंटे कार्लो (MCMC) विधियाँ धीमी अभिसरण (slow convergence) और चरण संक्रमण के पास "क्रिटिकल स्लोइंग डाउन" (critical slowing down) से ग्रस्त होती हैं। कई ऊष्मप्रवैगिकी स्थितियों (तापमान $T$ , रासायनिक क्षमता $\mu$ ) में फेज़ डायग्राम बनाने या लंबी दूरी के क्रम (long-range order) को पकड़ने के लिए बड़े सुपरसेल्स की आवश्यकता होने पर ये भी अत्यधिक कम्प्यूटेशनल रूप से महंगी होती हैं।
मौजूदा ML दृष्टिकोणों की सीमाएँ:
- अमोर्टाइज्ड जेनरेटिव मॉडल (जैसे, डिफ्यूजन, फ्लो-मैचिंग) में अक्सर सुलभ संभावनाओं (tractable likelihoods) का अभाव होता है, जिससे प्रत्यक्ष मुक्त ऊर्जा अनुमान (free-energy estimation) कठिन हो जाता है।
- फिक्स्ड-ऑर्डर ऑटोरेग्रेसिव मॉडल्स (FO-ARMs) सटीक संभावनाएँ प्रदान करते हैं लेकिन इनके लिए पीढ़ी (generation) हेतु एक पूर्व-निर्धारित अनुक्रमिक क्रम की आवश्यकता होती है। यह लचीली सशर्त पीढ़ी (conditional generation) को रोकता है (जो उत्प्रेरक डिजाइन जैसे कार्यों के लिए आवश्यक है) और प्रशिक्षण के दौरान $O(L^2)$ मेमोरी लागत का कारण बनता है (जहाँ $L$ लैटिस साइटों की संख्या है), जो छोटे सिस्टम तक उनके अनुप्रयोग को सीमित करता है।

2. कार्यप्रणाली (Methodology)

लेखक पिछले दृष्टिकोणों की स्केलिंग और लचीलेपन की सीमाओं को दूर करने के लिए एनी-ऑर्डर ऑटोरेग्रेसिव मॉडल्स (AO-ARMs) को मार्जिनलाइजेशन मॉडल्स (MAMs) के साथ जोड़ने वाला एक ढांचा प्रस्तावित करते हैं।

A. एनी-ऑर्डर ऑटोरेग्रेसिव मॉडल्स (AO-ARMs)

FO-ARMs के विपरीत, जो एक निश्चित अनुक्रम में साइटों को उत्पन्न करते हैं, AO-ARMs को किसी भी ज्ञात साइटों के किसी भी उपसमूह (subset) के आधार पर किसी भी लैटिस साइट की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है।

प्रशिक्षण रणनीति: मॉडल को साइट क्रमों के यादृच्छिक क्रमपरिवर्तन (random permutations) पर प्रशिक्षित किया जाता है। यह मनमाने क्रमपरिवर्तन $\sigma$ के लिए सशर्त संभावनाओं $p(x_{\sigma(\ell)} | x_{\sigma(<\ell)})$ को सीखता है।
लाभ: यह लचीले मास्किंग और "आउट-पेंटिंग" (out-painting) को सक्षम बनाता है, जहाँ एक छोटे लैटिस पर प्रशिक्षित मॉडल, ज्ञात पड़ोसियों पर आधारित होकर, बड़े लैटिस पर विन्यास उत्पन्न कर सकता है।

B. मार्जिनलाइजेशन मॉडल्स (MAMs)

ARMs में अनुक्रमिक मूल्यांकन की मेमोरी बाधा को दूर करने के लिए, लेखक MAMs पेश करते हैं।

कार्य: MAMs किसी भी साइटों के उपसमूह $S$ पर आंशिक विन्यास की मार्जिनल संभावना $p(x_S)$ को एक एकल फॉरवर्ड पास में अनुमानित करते हैं, न कि अनदेखी साइटों पर क्रमिक रूप से योग करके।
संयुक्त प्रशिक्षण: ढांचा मार्जिनल मॉडल ( $p_\theta$ $p_{θ}$ ) और सशर्त ARM ( $p_\phi$ $p_{ϕ}$ ) को संयुक्त रूप से प्रशिक्षित करता है।
- कंसिस्टेंसी लॉस (Consistency Loss): यह पहचान $p_\theta(x_{\le \ell}) = p_\theta(x_{<\ell}) \cdot p_\phi(x_\ell | x_{<\ell})$ को लागू करता है।
- एनर्जी-बेस्ड ऑब्जेक्टिव: सीखी गई वितरण और लक्षित बोल्ट्ज़मैन वितरण के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस को कम करता है।
दक्षता: MAMs प्रशिक्षण मेमोरी और कंप्यूट लागत को $O(L^2)$ से घटाकर $O(L)$ कर देते हैं, जिससे बड़े लैटिस पर ट्रांसफॉर्मर जैसी अभिव्यंजक आर्किटेक्चर का उपयोग संभव हो पाता है।

C. स्केलिंग रणनीतियाँ (Scaling Strategies)

यह ढांचा दो पूरक स्केलिंग रणनीतियों का उपयोग करता है:

प्रत्यक्ष प्रशिक्षण (Direct Training): बड़े लैटिस पर सीधे MAMs को प्रशिक्षित करना (कम मेमोरी लागत के कारण संभव)।
आउट-पेंटिंग (Out-painting): एक छोटे लैटिस (जैसे, $10 \times 10$ ) पर प्रशिक्षित मॉडल को बिना पुनः प्रशिक्षण के, आसन्न ज्ञात साइटों पर आधारित होकर एक बड़े लंटिस (जैसे, $20 \times 20$ ) पर स्थानांतरित करना।

3. मुख्य योगदान (Key Contributions)

आर्किटेक्चरल नवाचार: लैटिस-जागरूक पोजीशनल एनकोडिंग (पीरियडिक साइनुसोइडल एम्बेडिंग्स) के साथ ट्रांसफॉर्मर-आधारित MAMs का परिचय, जो महत्वपूर्ण घटनाओं (critical phenomena) के लिए आवश्यक लंबी दूरी के सहसंबंधों (long-range correlations) को कैप्चर करते हैं।
स्केलेबिलिटी फ्रेमवर्क: एक एकीकृत दृष्टिकोण जो आउट-पेंटिंग के माध्यम से छोटे सिस्टम पर प्रशिक्षित मॉडलों को बड़े सिस्टम के लिए पुन: उपयोग करने की अनुमति देता है, जिससे पारंपरिक ARMs की मेमोरी बाधाओं को पार किया जा सकता है।
लचीली पीढ़ी (Flexible Generation): एनी-ऑर्डर फॉर्मूलेशन मनचाहे सशर्त पीढ़ी (conditional generation) का समर्थन करता है, जो सतह पुनर्निर्माण (surface reconstruction) और उत्प्रेरक डिजाइन जैसे कार्यों के लिए महत्वपूर्ण है।

4. परिणाम (Results)

A. 2D आइसिंग मॉडल (महत्वपूर्ण घटनाएँ)

आर्किटेक्चर तुलना: $10 \times 10$ $10 \times 10$ लैटिस पर, ट्रांसफॉर्मर-आधारित MAMs ने MLP-आधारित ARMs और ग्राफ न्यूरल नेटवर्क (GNN) MAMs को पछाड़ दिया।
- GNNs सीमित रिसेप्टिव फील्ड के कारण कम तापमान पर "मोड कोलैप्स" (mode collapse) से ग्रस्त हुए, जिससे वे लंबी दूरी के क्रम को पकड़ने में विफल रहे।
- ट्रांसफॉर्मर्स ने क्रिटिकल तापमान ( $T_c$ ) के पास लंबी दूरी के स्पिन सहसंबंधों और विशिष्ट ऊष्मा क्षमता (specific heat capacity) के शिखरों को सही ढंग से पुनरुत्पादित किया।
स्केलिंग प्रदर्शन:
- प्रत्यक्ष प्रशिक्षण: MAM ट्रांसफॉर्मर्स ने $20 \times 20$ लैटिस पर सफलतापूर्वक प्रशिक्षण लिया, जहाँ FO-ARMs मेमोरी के कारण असंभव थे।
- आउट-पेंटिंग: $15 \times 15$ लैटिस पर प्रशिक्षित और $20 \times 20$ पर आउट-पेंट किए गए मॉडलों ने प्रत्यक्ष रूप से प्रशिक्षित मॉडलों के समान (या कभी-कभी उससे भी बेहतर) ऊष्मप्रवैगिकी सटीकता प्राप्त की, जिसमें व्यापक रेंज में उच्च प्रभावी नमूना आकार (Effective Sample Sizes - ESS) देखा गया।

B. CuAu अलॉय (यथार्थवादी सामग्रियाँ)

सिस्टम: CuAu अलॉय का एक क्लस्टर एक्सपेंशन मॉडल जो कई क्रमबद्ध इंटरमेटालिक चरणों ( $Cu_3Au$ , $CuAu$, $CuAu_3$ ) और एक अव्यवस्थित चरण को प्रदर्शित करता है।
लघु पैमाना ( $2 \times 2 \times 4$ ): दोनों ARM MLPs और MAM ट्रांसफॉर्मर्स ने सटीक गणना (exact enumeration) परिणामों से मिलान किया।
बड़ा पैमाना ( $4 \times 4 \times 4$ और $4 \times 4 \times 8$ ):
- ARM MLPs: $CuAu_3$ चरण को पकड़ने में विफल रहे और फेज़ बाउंड्रीज में महत्वपूर्ण त्रुटियां दिखाईं।
- MAM ट्रांसफॉर्मर्स: इन्होंने तीनों क्रमबद्ध चरणों को सफलतापूर्वक कैप्चर किया और मेटोडायनामिक्स संदर्भ फेज़ डायग्रामों के साथ $< 5$ meV/atom के विचलन के साथ मेल खाया।
- आउट-पेंटिंग: आउट-पेंटिंग के माध्यम से $4 \times 4 \times 4$ मॉडल को $4 \times 4 \times 8$ सुपरसेल्स में स्थानांतरित करने से लगभग प्रत्यक्ष प्रशिक्षण के समान परिणाम मिले, जो मजबूत हस्तांतरणीयता (transferability) को प्रदर्शित करता है।

C. कम्प्यूटेशनल दक्षता (Computational Efficiency)

नमूनाकरण गति (Sampling Speed): प्रशिक्षित होने के बाद, ये मॉडल MCMC, वांग-लैंडौ (Wang-Landau), या मेटोडायनामिक्स की तुलना में कई गुना तेजी से नमूने उत्पन्न करते हैं।
- उदाहरण: $4 \times 4 \times 8$ CuAu के लिए, MAM ट्रांसफॉर्मर्स को प्रति स्थिति ~0.5 मिनट लगा, जबकि MCMC को ~80 मिनट लगे।
लागत-सटीकता समझौता (Cost-Accuracy Trade-off): हालांकि प्रशिक्षण के लिए अग्रिम GPU समय (जैसे, $4 \times 4 \times 8$ CuAu के लिए 60 घंटे) की आवश्यकता होती है, लेकिन यह लागत हजारों ऊष्मप्रवैगिकी स्थितियों में वितरित (amortized) हो जाती है। इन मॉडलों को इन्फरेंस के दौरान किसी भी प्रति-नमूना ऊर्जा मूल्यांकन (per-sample energy evaluation) की आवश्यकता नहीं होती है।

5. महत्व (Significance)

यह कार्य लैटिस थर्मोडायनामिक्स में जेनरेटिव मॉडलिंग के लिए एक स्केलेबल, लचीला और सटीक मार्ग स्थापित करता है।

क्रिटिकल स्लोइंग डाउन पर विजय: ये मॉडल चरण संक्रमण के पास MCMC में निहित क्रिटिकल स्लोइंग डाउन को दरकिनार करते हैं।
बड़े पैमाने के सिमुलेशन को सक्षम बनाना: मेमोरी-कुशल MAMs को आउट-पेंटिंग के साथ जोड़कर, यह ढांचा उन सिस्टमों (जैसे, $20 \times 20$ Ising, $4 \times 4 \times 8$ CuAu) के अध्ययन की अनुमति देता जो पहले ऑटोरेग्रेसिव विधियों के लिए अप्राप्य थे।
सामग्री डिजाइन अनुप्रयोग: आंशिक जानकारी (जैसे, सतह प्रतिबंध) पर आधारित विन्यास उत्पन्न करने की क्षमता और जटिल फेज़ डायग्राम की सटीक भविष्यवाणी करने की क्षमता, मिश्र धातुओं, उत्प्रेरकों और इंटरफेस को डिजाइन करने के नए रास्ते खोलती है।
भविष्य का दृष्टिकोण: यह ढांचा मशीन लर्निंग फोर्स फील्ड्स (MLFFs) के साथ स्वायत्त, थर्मोडायनामिक्स-जागरूक सामग्री खोज पाइपलाइनों के एकीकरण की ओर एक कदम है।