🔬 materials science

Machine learning Hamiltonian enables scalable and accurate defect calculations: The case of oxygen vacancies in amorphous SiO $_2$

यह शोध पत्र एक मशीन लर्निंग हैमिल्टोनियन (MLH) विधि प्रस्तुत करता है जो बड़े सुपरसेल्स में दोष सिमुलेशन के लिए रैखिक-स्केलिंग कम्प्यूटेशनल लागत और उच्च सटीकता प्राप्त करता है, जो अमोर्फस SiO $_2$ में ऑक्सीजन रिक्ति निर्माण ऊर्जाओं की डेंसिटी फंक्शनल थ्योरी से 50 meV से कम के विचलन के साथ सफलतापूर्वक भविष्यवाणी करके पारंपरिक मशीन लर्निंग पोटेंशियल की हस्तांतरणीयता सीमाओं को दूर करता है।

मूल लेखक: Zhenxing Dai, Zhong Yang, Mingjue Ni, Menglin Huang, Hongjun Xiang, Xin-Gao Gong, Shiyou Chen

प्रकाशित 2026-04-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhenxing Dai, Zhong Yang, Mingjue Ni, Menglin Huang, Hongjun Xiang, Xin-Gao Gong, Shiyou Chen

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 विशाल, जटिल कांच की मूर्ति (जैसे कि एमोरफस सिलिका से बना स्मार्टफोन स्क्रीन) में एक नन्ही, अदृश्य दरार को ठीक करने की कोशिश कर रहे हैं। यह समझने के लिए कि वह दरार पूरे स्क्रीन को कैसे प्रभावित करती है, आपको यह जानना होगा कि दरार के आसपास के परमाणु बिल्कुल कैसे घूम रहे हैं और उस दरार को बनाने में कितनी ऊर्जा लगती है।

विज्ञान की दुनिया में, इसे "पॉइंट डिफेक्ट्स" (point defects) का अध्ययन करना कहा जाता है।

समस्या: "सुपर-कंप्यूटर" की बाधा

पारंपरिक रूप से, वैज्ञानिक डेंसिटी फंक्शनल थ्योरी (DFT) नामक एक विधि का उपयोग करते हैं। सोचिए कि DFT एक अत्यंत सटीक, हाई-डेफिनिशन कैमरा है जो हर एक परमाणु की गति को पूरी तरह से कैप्चर करता है।

चुनौती: यह अविश्वसनीय रूप से धीमा और महंगा है। यदि आप कांच के एक छोटे टुकड़े में उस नन्ही दरार का अध्ययन करना चाहते हैं, तो इसमें एक सुपरकंप्यूटर को कुछ घंटे लगते हैं। लेकिन यदि आप उसी दरार का अध्ययन कांच के एक बड़े टुकड़े में करना चाहते हैं (यह सुनिश्चित करने के लिए कि परिणाम केवल छोटे आकार के कारण नहीं हैं), तो आवश्यक समय बहुत तेजी से बढ़ जाता है। यह एक हाथ से मास्टरपीस पेंट करने जैसा है; यह सटीक है, लेकिन आप एक दिन में पूरा शहर पेंट नहीं कर सकते।

पुराना शॉर्टकट: "सस्ता कैमरा"

चीजों को तेज करने के लिए, वैज्ञानिकों ने मशीन लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs) का उपयोग करना शुरू किया। इसे एक "स्मार्ट फिल्टर" या एक सस्ते कैमरे के रूप में सोचें जो कुछ तस्वीरों से सीखे गए पैटर्न के आधार पर अनुमान लगाता है कि परमाणु क्या कर रहे हैं।

चौती: ये "स्मार्ट फिल्टर" छोटे, सरल कमरों में क्या हो रहा है, इसका अनुमान लगाने में बहुत अच्छे होते हैं। लेकिन यदि आप उन्हें एक विशाल कैथेड्रल (एक बड़ा सुपरसेल) में उपयोग करने का प्रयास करते हैं, तो वे भ्रमित हो जाते हैं। वे व्यवस्थित गलतियाँ करने लगते हैं, जैसे यह सोचना कि दीवारें कांच के बजाय जेली से बनी हैं। उनमें ट्रांसफरेबिलिटी (transferability) की कमी होती है—वे नई, बड़ी स्थितियों को अच्छी तरह से नहीं संभाल पाते।

नया समाधान: "यूनिवर्सल ब्लूप्रिंट" (MLH)

यह पेपर मशीन लर्निंग हैमिल्टोनियन (MLH) नामक एक नई विधि पेश करता है।

इसे समझने का सबसे अच्छा तरीका यहाँ है:

DFT ऐसा है जैसे हर बार यह गणना करना कि एक दीवार टिक पाएगी या नहीं, इसके लिए इमारत के भौतिकी (physics) को शुरू से बनाना पड़ता है।
MLIPs एक ऐसे ठेकेदार को काम पर रखने जैसा है जिसने एक विशिष्ट प्रकार के घर के ब्लूप्रिंट को याद कर लिया है। यदि आप उनसे एक गगनचुंबी इमारत बनाने के लिए कहते हैं, तो वे गलत हो जाते हैं क्योंकि वे केवल घरों को जानते हैं।
MLH (मशीन लर्निंग हैमिल्टोनियन) ठेकेदार को भौतिकी के मौलिक नियमों (हैमिल्टोनियन) और उदाहरणों के एक छोटे सेट को देने जैसा है। केवल परिणाम (ऊर्जा) को याद करने के बजाय, MLH यह सीखता है कि परमाणु आपस में कैसे संवाद करते हैं (नियम)।

क्योंकि यह केवल विशिष्ट परिणामों को याद करने के बजाय अंतर्निहित "खेल के नियमों" को सीखता है, इसलिए यह एक छोटे कमरे या एक विशाल गगनचुंबी इमारत दोनों में समान सटीकता के साथ लागू हो सकता है।

उन्होंने इसका परीक्षण कैसे किया: ऑक्सीजन वैकेंसी

शोधकर्ताओं ने इसका परीक्षण एमोरफस SiO2 (मूल रूप से कांच में गायब ऑक्सीजन परमाणु) में ऑक्सीजन वैकेंसी पर किया।

ट्रेनिंग: उन्होंने MLH मॉडल को एक अपेक्षाकृत छोटे 95-परमाणु वाले "कमरे" के डेटा का उपयोग करके सिखाया। उन्होंने इसे केवल 120 ऑक्सीजन परमाणियों के गायब होने के उदाहरण दिखाए।
परीक्षण: फिर उन्होंने मॉडल से बहुत बड़े "कमरों" (576 परमाणुओं तक) में क्या होता है, इसका अनुमान लगाने के लिए कहा, जिन्हें उसने पहले कभी नहीं देखा था।
परिणाम:
- पुराने "सस्ते कैमरे" (MLIP) ने बड़े कमरों में बुरी तरह विफल होकर प्रदर्शन किया, जिससे ऊर्जा में भारी अंतर आया।
- नए "यूनिवर्सल ब्लूप्रिंट" (MLH) ने सटीक प्रदर्शन किया। इसने ऊर्जा और बलों (forces) की भविष्यवाणी लगभग उतनी ही सटीकता के साथ की जितनी कि धीमी, महंगी DFT विधि, लेकिन बहुत अधिक तेजी से।

जादुई ट्रिक: एरर कैंसिलेशन (Error Cancellation)

यहाँ सबसे चतुर हिस्सा है। भले ही MLH मॉडल पूरी तरह से 100% सटीक DFT के समान नहीं है (इसमें एक बहुत छोटी त्रुटि है), यह "परफेक्ट ग्लास" और "दरार वाले ग्लास" दोनों के लिए एक ही छोटी त्रुटि करता है।

जब आप फॉर्मेशन एनर्जी (दरार बनाने में कितनी ऊर्जा लगती है) की गणना करते हैं, तो आप परफेक्ट ग्लास की ऊर्जा में से दरार वाले ग्लास की ऊर्जा को घटाते हैं। चूंकि त्रुटियां दोनों में समान हैं, इसलिए वे एक-दूसरे को कैंसिल (निरस्त) कर देती हैं।

उपमा: कल्पना कीजिए कि आप सेब के दो बैगों को तौल रहे हैं। आपका तराजू 1 पाउंड से थोड़ा गलत है। यदि आप 10 सेबों के एक बैग और 11 सेबों के एक बैग को तौलते हैं, तो दोनों का वजन 1 पाउंड अधिक होगा। लेकिन जब आप उस एक अतिरिक्त सेब के वजन की गणना करते हैं, तो 1-पाउंड की त्रुटि रद्द हो जाती है, और आपको उस एकल सेब का सटीक वजन मिल जाता है।

यह क्यों मायने रखता है

यह विधि एक गेम-चेंजर है क्योंकि:

गति: यह लीनियरली स्केल करती है। यदि आप सामग्री का आकार दोगुना करते हैं, तो गणना का समय केवल दोगुना होता है, विस्फोट नहीं करता।
सटीकता: यह धीमी, महंगी विधियों के समान परिणाम देती है।
बहुमुखी प्रतिभा: यह जटिल, अस्त-व्यस्त सामग्रियों (जैसे एमोरफस ग्लास) के लिए काम करती है जहाँ अन्य विधियाँ विफल हो जाती हैं।

संक्षेप में: शोधकर्ताओं ने एक "स्मार्ट फिजिक्स इंजन" बनाया है जो परमाणु अंतःक्रियाओं के मौलिक नियमों को एक छोटे डेटासेट से सीखता है। यह इंजन अब बड़े पैमाने पर, जटिल सामग्रियों का उच्च गति और उच्च सटीकता के साथ अनुकरण कर सकता है, जिससे वैज्ञानिकों को अपने कंप्यूटर के गणना समाप्त करने के लिए वर्षों तक प्रतीक्षा किए बिना बेहतर इलेक्ट्रॉनिक्स और अधिक विश्वसनीय उपकरणों को डिजाइन करने में मदद मिलेगी।

यहाँ शोध पत्र "Machine learning Hamiltonian enables scalable and accurate defect calculations: The case of oxygen vacancies in amorphous SiO2" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पॉइंट डिफेक्ट्स (Point defects), जैसे कि ऑक्सीजन रिक्तियां ( $V_O$ ), अमोर्फस सिलिकॉन डाइऑक्साइड (a-SiO $_2$ ) जैसे अनाकार पदार्थों के प्रदर्शन और विश्वसनीयता को महत्वपूर्ण रूप से प्रभावित करते हैं। इन दोषों (defects) के सटीक मॉडलिंग के लिए बड़े सुपरसेल्स पर डेंसिटी फंक्शनल थ्योरी (DFT) गणनाओं की आवश्यकता होती है ताकि सांख्यिकीय व्यवहार को पकड़ा जा सके और परिमित-आकार प्रभावों (finite-size effects) को कम किया जा सके। हालाँकि, DFT गणनात्मक रूप से बहुत महंगा है (सिस्टम के आकार के साथ इसकी दक्षता तेजी से घटती है), जिससे बड़े पैमाने पर सैंपलिंग और स्ट्रक्चरल रिलैक्सेशन (structural relaxation) करना कठिन हो जाता है।

जबकि मशीन लर्निंग इंटरएटमिक पोटेंशियल (MLIPs) एक तेज़ विकल्प प्रदान करते हैं, वे डिफेक्ट सिमुलेशन में दो प्रमुख सीमाओं का सामना करते हैं:

डेटा की कमी (Data Scarcity): MLIPs को प्रशिक्षित करने के लिए DFT गणनाओं के विशाल डेटासेट की आवश्यकता होती है, जिन्हें तैयार करना बहुत महंगा है।
खराब स्थानांतरणीयता (Poor Transferability): छोटे सुपरसेल्स पर प्रशिक्षित MLIPs, बड़े सुपरसेल्स पर लागू होने पर व्यवस्थित ऊर्जा त्रुटियों (systematic energy errors) का प्रदर्शन करते हैं। वे केवल डिफेक्ट कॉन्फ़िगरेशन पर प्रशिक्षित होने के कारण होस्ट (त्रुटि-मुक्त) वातावरण का सटीक वर्णन करने में संघर्ष करते हैं, जिससे होस्ट और डिफेक्ट सिस्टम के बीच त्रुटि निरस्तीकरण (error cancellation) की कमी के कारण फॉर्मेशन एनर्जी (formation energy) के सटीक अनुमान में बाधा आती है।

2. कार्यप्रणाली (Methodology)

लेखक एक मशीन लर्निंग हैमिल्टोनियन (MLH) दृष्टिकोण प्रस्तावित करते हैं जो केवल इंटरएटमिक पोटेंशियल के बजाय सीधे इलेक्ट्रॉनिक हैमिल्टोनियन मैट्रिक्स की भविष्यवाणी करता है। यह परमाणु संरचनाओं से प्राप्त नोड और एज फीचर्स का उपयोग करके कुल ऊर्जा, परमाणु बल और इलेक्ट्रॉनिक संरचना (बैंड संरचना, चार्ज घनत्व) प्राप्त करने की अनुमति देता है, जिसका कंप्यूटेशनल खर्च रैखिक (linear scaling) होता है।

मुख्य पद्धतिगत चरण:

मॉडल आर्किटेक्चर: यह अध्ययन HamGNN का उपयोग करता है, जो एक इक्विवेरिएंट ग्राफ न्यूरल नेटवर्क (E(3)-equivariant) है। यह वास्तविक स्थान के हैमिल्टोनियन को परमाणु संरचनाओं से प्राप्त नोड और एज फीचर्स का उपयोग करके ऑन-साइट और ऑफ-साइट भागों में विभाजित करता है।
डेटासेट निर्माण:
- सिस्टम: ऑक्सीजन रिक्तियों ( $V_O$ ) के साथ अमोर्फस SiO $_2$ ।
- प्रशिक्षण डेटा: 95-परमाणु सुपरसेल्स में $V_O$ डिफेक्ट्स के 120 सेल्फ-कंसिस्टेंट फील्ड (SCF) गणनाओं और 12 स्ट्रक्चरल रिलैक्सेशन से उत्पन्न किया गया।
- महत्वपूर्ण अंतर: मॉडल को केवल छोटे सुपरसेल्स में डिफेक्ट कॉन्फ़िगरेशन पर प्रशिक्षित किया गया था, बिना किसी बड़े सुपरसेल या डिफेक्ट-मुक्त होस्ट के स्पष्ट प्रशिक्षण के।
वर्कफ़्लो (Workflow):
1. MLH मॉडल दिए गए परमाणु विन्यास (atomic configuration) के लिए हैमिल्टोनियन ( $H$ ) की भविष्यवाणी करता है।
2. ओवरलैप मैट्रिक्स ( $S$ ) का विश्लेषणात्मक रूप से गणना की जाती है।
3. वेवफंक्शंस और चार्ज डेंसिटी प्राप्त करने के लिए कोहन-शाम (Kohn-Sham) समीकरणों को हल किया जाता है।
4. अनुमानित हैमिल्टोनियन और चार्ज डेंसिटी से कुल ऊर्जा ( $E$ ) और परमाणु बल ( $F$ ) प्राप्त किए जाते हैं।
5. बलों के अभिसरण (convergence) तक स्ट्रक्चरल रिलैक्सेशन को पुनरावृत्ति (iteratively) के माध्यम से किया जाता है (< 20 meV/Å)।
फॉर्मेशन एनर्जी गणना: इसे $E_f = E_{defect} - E_{host} + \sum n_i \mu_i$ के रूप में गणना की जाती है। यह विधि होस्ट और डिफेक्ट सिस्टम के बीच व्यवस्थित त्रुटियों के निरस्तीकरण पर निर्भर करती है।

3. मुख्य योगदान (Key Contributions)

MLH से प्रत्यक्ष ऊर्जा/बल व्युत्पत्ति: पिछले MLH अध्ययनों के विपरीत, जो केवल बैंड संरचना की भविष्यवाणी कर सकते थे, यह कार्य एक MLH मॉडल से सीधे कुल ऊर्जा और परमाणु बलों के सफल व्युत्पत्ति को प्रदर्शित करता है, जो बिना DFT के पूर्ण स्ट्रक्चरल रिलैक्सेशन को सक्षम बनाता है।
स्थानांतरणीयता (Transferability) की समस्या का समाधान: यह अध्ययन सिद्ध करता है कि केवल छोटे-डिफेक्ट सुपरसेल्स पर प्रशिक्षित MLH, बड़े सुपरसेल्स (383 परमाणुओं तक) और डिफेक्ट-मुक्त होस्ट के गुणों की सटीक भविष्यवाणी कर सकता है। यह MLIPs की विशिष्ट व्यवस्थित ऊर्जा त्रुटियों को दूर करता है।
त्रुटि निरस्तीकरण तंत्र (Error Cancellation Mechanism): लेखक प्रदर्शित करते हैं कि हालांकि MLH में होस्ट और डिफेक्ट दोनों सिस्टमों के लिए कुल ऊर्जा में छोटी पूर्ण त्रुटियाँ हो सकती हैं, लेकिन ये त्रुटियाँ फॉर्मेशन एनर्जी की गणना के दौरान निरस्त (cancel out) हो जाती हैं, जिससे उच्च सटीकता प्राप्त होती है।
रैखिक स्केलेबिलिटी (Linear Scalability): MLH विधि की कंप्यूटेशनल लागत सिस्टम के आकार के साथ रैखिक रूप से बढ़ती है, जो बड़े सुपरसेल्स के लिए DFT की तुलना में महत्वपूर्ण दक्षता लाभ प्रदान करती है।

4. परिणाम (Results)

इस पद्धति का a-SiO $_2$ प्रणालियों के लिए DFT और MLIP (Allegro) के विरुद्ध बेंचमार्किंग किया गया:

भविdtकी की सटीकता (Accuracy of Predictions):
- हैमिल्टोनियन: DFT के सापेक्ष माध्य पूर्ण त्रुटि (MAE) 0.72 meV।
- चार्ज डेंसिटी: MAE $3 \times 10^{-4}$ e/Å $^3$ ।
- कुल ऊर्जा: MLH-अनुमानित ऊर्जा DFT से थोड़ी अधिक है (त्रुटि ~0.66–1.1 meV/atom), लेकिन MLIP की तुलना में काफी अधिक सटीक है, जिसमें होस्ट के लिए ~1180–1195 meV/atom की त्रुटियां देखी गईं।
- बल (Forces): MLH फोर्स MAE ~25 meV/Å (DFT अभिसरण मानदंडों के करीब) है, जबकि MLIP त्रुटियां ~115 meV/Å थीं।
स्ट्रक्चरल रिलैक्सेशन (Structural Relaxation):
- MLH-रिलैक्स्ड संरचनाएं DFT संदर्भों के साथ निकटता से मेल खाती हैं, जिसमें सामान्यीकृत कॉन्फ़िगरेशन कोऑर्डिनेट विचलन ( $\Delta Q$ ) 2 amu $^{1/2}$ Å से नीचे है।
- MLIP-रिलैक्स्ड संरचनाओं ने बड़े विचलन ( $\Delta Q$ 18 amu $^{1/2}$ Å तक) दिखाए और पोटेंशियल एनर्जी सरफेस के सॉफ्टनिंग के कारण सही स्थानीय न्यूनतम (local minima) तक पहुँचने में विफल रहे।
फॉर्मेशन एनर्जी (Formation Energy):
- 95, 215, और 383 परमाणुओं के सुपरसेल्स में $V_O$ के लिए, MLH ने DFT के सापेक्ष क्रमशः 16, 26, और 45 meV के MAE के साथ फॉर्मेशन एनर्जी की भविष्यवाणी की।
- यह सटीकता इस तथ्य के बावजूद प्राप्त की गई कि MLH में बड़ी पूर्ण कुल ऊर्जा त्रुटियां थीं, जो त्रुटि निरस्तीकरण तंत्र की प्रभावशीलता की पुष्टि करती है।
दक्षता (Efficiency):
- DFT गणना का समय सिस्टम के आकार के साथ तेजी से बढ़ता है (घातांकीय/बहुपद स्केलिंग)।
- MLH गणना का समय परमाणुओं की संख्या के साथ रैखिक रूप से बढ़ता है, जो बड़े पैमाने के सिमुलेशन के लिए अत्यधिक कुशल बनाता है।

5. महत्व (Significance)

यह कार्य मशीन लर्निंग हैमिल्टोनियन को जटिल, अव्यवस्थित (disordered) पदार्थों में डिफेक्ट सिमुलेशन के लिए पारंपरिक MLIPs की तुलना में एक बेहतर उपकरण के रूप में स्थापित करता है।

व्यावहारिकता: यह केवल छोटे प्रशिक्षण डेटासेट (केवल छोटे सुपरसेल्स) का उपयोग करके सटीक डिफेक्ट प्रॉपर्टी भविष्यवाणियों (फॉर्मेशन एनर्जी, स्ट्रक्चरल रिलैक्सेशन) को सक्षम बनाता है, जिससे महंगे बड़े-स्तरीय DFT प्रशिक्षण डेटा की आवश्यकता समाप्त हो जाती है।
इलेक्ट्रॉनिक अंतर्दृष्टि (Electronic Insight): MLIPs के विपरीत, MLH पूर्ण इलेक्ट्रॉनिक संरचना जानकारी (बैंड संरचना, वेवफंक्शंस, चार्ज डेंसिटी) तक पहुंच प्रदान करता है, जो डिफेक्ट अवस्थाओं (जैसे a-SiO $_2$ में डीप ट्रैप लेवल की पहचान) के बारे में गहरी भौतिक अंतर्दृष्टि प्रदान करता है।
स्केलेबिलिटी: MLH की रैखिक स्केलिंग प्रकृति बड़े, यथार्थवादी सामग्री सिस्टम में डिफेक्ट व्यवहार के सिमुलेशन का मार्ग प्रशस्त करती है, जो पहले कम्प्यूटेशनल रूप से दुर्गम थे।

संक्षेप में, यह शोध पत्र अमोर्फस सामग्रियों के लिए डिफेक्ट इंजीनियरिंग हेतु एक मजबूत, स्केलेबल और अत्यधिक सटीक ढांचे को प्रस्तुत करता है, जो वर्तमान मशीन लर्निंग दृष्टिकोणों की महत्वपूर्ण स्थानांतरणीयता (transferability) और दक्षता संबंधी बाधाओं को हल करता है।