🔬 materials science

Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates

यह शोध पत्र जाली तापीय चालकता (lattice thermal conductivity) की भविष्यवाणी करने के लिए एक बड़े फोनिक्स डेटाबेस पर 15 मशीन लर्निंग सरोगेट मॉडलों का बेंचमार्किंग करता है, जिससे यह प्रकट होता है कि जहाँ MLIP-एम्बेडेड मॉडल इंटरपोलेशन में उत्कृष्ट हैं, वहीं ALiEGNN जैसे डीप न्यूरल नेटवर्क आउट-ऑफ-डिस्ट्रीब्यूशन एक्सट्रपलेशन के लिए बेहतर मजबूती प्रदान करते हैं, जिससे प्रथम-सिद्धांत सिमुलेशन (first-principles simulations) की तुलनात्मक गणना लागत के एक अंश पर थर्मोइलेक्ट्रिक सामग्रियों की कुशल हाई-थ्रूपुट स्क्रीनिंग संभव हो पाती है।

मूल लेखक: Zeyu Wang, Shuya Yamazaki, Martin Hoffmann Petersen, Masato Ohnishi, Tomiya Yamamoto, Wei Nong, Jianghai Wang, Ruiming Zhu, Masatoshi Hanai, Michimasa Morita, Toyotaro Suzumura, Zekun Ren, Junichiro S

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zeyu Wang, Shuya Yamazaki, Martin Hoffmann Petersen, Masato Ohnishi, Tomiya Yamamoto, Wei Nong, Jianghai Wang, Ruiming Zhu, Masatoshi Hanai, Michimasa Morita, Toyotaro Suzumura, Zekun Ren, Junichiro Shiomi, Kedar Hippalgaonkar

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 अंतरिक्ष यान के लिए एक नए प्रकार के "हीट शील्ड" (ऊष्मा कवच) का डिज़ाइन तैयार करने की कोशिश कर रहे हैं। आपको एक ऐसे पदार्थ की आवश्यकता है जो ऊष्मा का संचालन करने में बहुत खराब हो (ताकि गर्मी वहीं रहे जहाँ उसे नहीं होना चाहिए) लेकिन अपशिष्ट ऊष्मा को बिजली में बदलने में बहुत कुशल हो। इस "पवित्र प्याले" (holy grail) जैसे पदार्थ को खोजने के लिए, वैज्ञानिकों को आमतौर पर हजारों अलग-अलग क्रिस्टल की परमाणु संरचना के माध्यम से ऊष्मा कैसे चलती है, यह देखने के लिए विशाल, सुपर-कंप्यूटर सिमुलेशन चलाने होते हैं।

समस्या क्या है? ये सिमुलेशन एक अंधे व्यक्ति की तरह एक बार में एक टुकड़े के साथ रूबिक क्यूब (Rubik's Cube) हल करने जैसा है। वे अविश्वसनीय रूप से सटीक हैं, लेकिन उन्हें पूरा करने में इतना समय और कंप्यूटिंग शक्ति लगती है कि आप अपने कंप्यूटर के जल जाने से पहले केवल कुछ ही सामग्रियों का परीक्षण कर सकते हैं।

यह शोध पत्र एक शॉर्टकट बनाने के बारे में है। शोधकर्ताओं ने एक "स्मार्ट गेसर" (एक मशीन लर्निंग मॉडल) बनाया जो लगभग तुरंत भविष्यवाणी कर सकता है कि एक सामग्री कितनी अच्छी तरह गर्मी को रोकती है, बिना हर बार उस धीमे सुपर-कंप्यूटर सिमुलेशन की आवश्यकता के।

उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है:

1. प्रशिक्षण का मैदान (द "फोनिक्स" डेटाबेस)

अपने स्मार्ट गेसर को सिखाने के लिए, शोधकर्ताओं को उदाहरणों की एक विशाल लाइब्रेरी की आवश्यकता थी। उन्होंने Phonix नामक एक डेटाबेस का उपयोग किया, जिसमें लगभग 7,000 विभिन्न क्रिस्टल के "हीट प्रोफाइल" शामिल हैं। ये प्रोफाइल धीमे, सटीक सुपर-कंप्यूटर तरीकों का उपयोग करके गणना किए गए थे। इस डेटाबेस को एक विशाल कुकबुक की तरह समझें जहाँ प्रत्येक रेसिपी (क्रिस्टल) के साथ एक विस्तृत नोट है कि वह कितनी तेज़ी से ठंडा होता है।

2. "गेसर्स" के तीन प्रकार

टीम ने केवल एक मॉडल नहीं बनाया; उन्होंने 15 अलग-अलग प्रकार के "गेसर्स" बनाए और यह देखने के लिए उन्हें आपस में लड़ा कि कौन सबसे अच्छा है। उन्होंने इन मॉडलों को तीन टीमों में वर्गीकृत किया, जिनमें से प्रत्येक की एक अलग रणनीति थी:

टीम A: "फिजिक्स चीट्स" (भौतिकी-आधारित विशेषताएं/Physical-informed features)
ये मॉडल उन छात्रों की तरह हैं जिन्होंने भौतिकी के कुछ प्रमुख नियमों को रट लिया है और उन्हें कैलकुलेटर पर लागू करते हैं। वे सामग्री के हाथ से चुने गए, सरल विवरणों (जैसे "परमाणु कितने भारी हैं" या "बॉन्ड कितने सख्त हैं") का उपयोग करके एक अनुमान लगाते हैं।
टीम B: "डीप लर्नर्स" (एंड-टू-एंड न्यूरल नेटवर्क)
ये मॉडल कला के छात्रों की तरह हैं जिन्हें एक क्रिस्टल की तस्वीर दिखाई जाती है और फिर उनसे उसे शुरू से समझाने को कहा जाता है। वे पहले से बने नियमों का उपयोग नहीं करते; वे कच्चे परमाणु ढांचे को देखते हैं और पूरी तरह से अपने दम पर ऊष्मा प्रवाह के पैटर्न को सीखने की कोशिश करते हैं।
टीम C: "ट्रांसफर लर्नर्स" (MLIP एम्बेडिंग्स)
ये मॉडल प्रशिक्षुओं (apprentices) की तरह हैं जिन्होंने पहले घर बनाना (परमाणु बलों की भविष्यवाणी करना) सीखने में वर्षों बिताए और फिर उस ज्ञान को ऊष्मा की भविष्यवाणी करने के लिए लागू करने की कोशिश की। वे एक "प्री-ट्रेन्ड" मस्तिष्क का उपयोग करते हैं जो पहले से ही परमाणुओं को अच्छी तरह समझता है, फिर वे उसे ऊष्मा के लिए फाइन-ट्यून करते हैं।

3. तीन परीक्षण (परीक्षाएँ)

यह देखने के लिए कि कौन वास्तव में अच्छा था, शोधकर्ताओं ने मॉडलों को तीन बहुत ही अलग प्रकार की परीक्षाएँ दीं:

पॉप क्विज़ (रैंडम स्प्लिट): उन्होंने मॉडलों को उन सामग्रियों का मिश्रण दिया जिन्हें वे पहले देख चुके थे और कुछ ऐसी जिन्हें उन्होंने पहले नहीं देखा था, यह देखने के लिए कि क्या वे बुनियादी बातें सीख सकते हैं।
"नई आकृति" परीक्षण (स्पेस-ग्रुप डिसजॉइंट): यह कठिन था। उन्होंने मॉडलों को ऐसी क्रिस्टल संरचनाएं (सिमिट्री) दीं जिन्हें उन्होंने अपने प्रशिक्षण के दौरान कभी नहीं देखा था। यह किसी को कुत्ते को पहचानना सिखाने जैसा है, और फिर एक बिल्ली दिखाकर पूछना, "क्या यह एक कुत्ता है?" यह देखने के लिए कि क्या वे सामान्यीकरण (generalize) कर सकते हैं।
"एक्सट्रीम" परीक्षण (आउट-ऑफ-डिस्ट्रीब्यूशन): यह सबसे कठिन था। उन्होंने मॉडलों को केवल उन सामग्रियों पर प्रशिक्षित किया जो ऊष्मा के संचालन में अच्छे थे (जैसे धातु) और फिर उनसे उन सामग्रियों के बारे में भविष्यवाणी करने को कहा जो ऊष्मा के संचालन में बहुत खराब हैं (जैसे हीट शील्ड जो हमें चाहिए)। यह एक शेफ को केवल स्टेक पकाना सिखाने और फिर उससे एक नाजुक सूफ़ले (soufflé) बनाने के लिए कहने जैसा है।

4. परिणाम: कौन जीता?

परिणाम आश्चर्यजनक थे और उन्होंने हमें कुछ महत्वपूर्ण सिखाया कि उनके "स्मार्ट गेसर्स" कैसे सोचते हैं:

"ट्रांसफर लर्नर्स" (टीम C) "पॉप क्विज़" में सर्वश्रेष्ठ थे। यदि नई सामग्री वैसी ही थी जैसी उन्होंने पहले सीखी थी, तो वे अविश्वसनीय रूप से सटीक थे। वे इंटरपोलेशन (ज्ञात डेटा के बीच के अंतराल को भरना) में माहिर थे।
"डीप लर्नर्स" (टीम B) "एक्सट्रीम" टेस्ट में सर्वश्रेष्ठ थे। जब मॉडलों को पूरी तरह से नए, अजीब सामग्रियों (कम-ऊष्मा चालक) के बारे में अनुमान लगाना था, तो शून्य से सीखने वाले मॉडलों (टीम B) ने सबसे अच्छा काम किया। वे एक्सट्रपलेशन (बॉक्स के बाहर जाकर अनुमान लगाना) में बेहतर थे।
"फिजिक्स चीट्स" (टीम A) ठोस और सुसंगत थे लेकिन वे कठिन परीक्षणों में अन्य दोनों टीमों को हरा नहीं सके।

विजेता: एक विशिष्ट मॉडल जिसे ALiEGNN (एक डीप लर्नर) कहा जाता है, समग्र रूप से शीर्ष स्थान पर रहा। यह विशेष रूप से अच्छा था क्योंकि इसने परमाणुओं के बीच के कोणों (angles) पर ध्यान दिया, न कि केवल दूरियों पर। चूंकि ऊष्मा प्रवाह काफी हद तक इन कोणों पर निर्भर करता है, इसलिए इस मॉडल ने दूसरों की तुलना में इसे बेहतर ढंग से समझा।

5. बड़ा निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि हालांकि ये "स्मार्ट गेसर्स" धीमे, सुपर-कंप्यूटर सिमुलेशन जितने सटीक नहीं हैं, फिर भी वे हजारों गुना तेज़ हैं।

समझौता (Trade-off): आप थोड़ी सी सटीकता खो देते हैं, लेकिन आप कुछ ही सामग्रियों को जांचने में लगने वाले समय में लाखों सामग्रियों को स्कैन करने की क्षमता प्राप्त करते हैं।
रणनीति: सबसे अच्छा दृष्टिकोण केवल एक मॉडल चुनना नहीं है। लेखक सुझाव देते हैं कि यदि आप "ट्राफर लर्नर्स" (परिचित चीजों के लिए अच्छे) को "डीप लर्नर्स" (अजीब चीजों के लिए अच्छे) के साथ जोड़ते हैं, तो आप एक ऐसी "सुपर-टीम" बनाते हैं जो लगभग किसी भी सामग्री खोज की चुनौती को संभाल सकती है।

संक्षेप में, यह शोध पत्र ऊर्जा बचाने वाली अगली पीढ़ी की तकनीक खोजने के लिए संभावित सामग्रियों के ब्रह्मांड को तेजी से स्कैन करने के लिए टूलकिट प्रदान करता है, जिससे वर्षों लंबी खोज घंटों के मामले में बदल जाती है।

तकनीकी सारांश: मशीन लर्निंग सरोगेट्स के माध्यम से जालक तापीय चालकता का तीव्र और सटीक पूर्वानुमान

समस्या विवरण
जेनरेटिव मॉडल्स के उदय ने कार्यात्मक सामग्री डिजाइन के लिए उपलब्ध रासायनिक स्थान का विस्तार किया है, फिर भी इन उम्मीदवारों का सत्यापन करना एक बाधा बना हुआ है। हालांकि मशीन लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs) ने फोनन गणनाओं को गति दी है, लेकिन उच्च-विश्वसनीयता वाले जालक तापीय चालकता ( $\kappa_{lat}$ ) के पूर्वानुमान के लिए अभी भी एनहार्मोनिक इंटरैक्शन के सटीक उपचार की आवश्यकता होती है। पारंपरिक प्रथम-सिद्धांत (first-principles) विधियाँ, जैसे कि बड़े सुपरसेल्स के साथ फोनन बोल्ट्ज़मैन ट्रांसपोर्ट इक्वेशन (BTE) को हल करना या लंबी एब-इनिटियो मॉलिक्यूलर डायनेमिक्स (AIMD) करना, जेनरेटिव वर्कफ्लो के लिए आवश्यक उच्च-थ्रूपुट स्क्रीनिंग के लिए अत्यधिक गणनात्मक रूप से कठिन हैं। मौजूदा क्षमताएं अक्सर नवीन रासायनिक स्थानों में सामान्यीकरण करने में संघर्ष करती हैं, जिससे ऐसे अधिक कुशल दृष्टिकोण की आवश्यकता होती है जो थर्मोइलेक्ट्रिक अनुप्रयोगों के लिए महत्वपूर्ण कम-चालकता वाली सामग्रियों की पहचान करने की क्षमता से समझौता किए बिना सीधे $\kappa_{lat}$ की भविष्यवाणी कर सके।

कार्यप्रणाली
इसे संबोधित करने के लिए, लेखक Phonix डेटाबेस पर प्रशिक्षित 15 सरोगेट मॉडल्स का एक व्यापक बेंचमार्क प्रस्तुत करते हैं, जिसमें प्रथम-सिद्धांत गणनाओं से प्राप्त एनहार्मोनिक फोनन गुणों वाले 6,966 अकार्बनिक क्रिस्टलीय पदार्थों के प्रविष्टियाँ शामिल हैं। यह डेटासेट क्रिस्टल सिस्टम की एक विस्तृत श्रृंखला को कवर करता है और इसमें कम- $\kappa_{lat}$ वाले यौगिकों का एक महत्वपूर्ण उपसमुच्चय ( $\kappa_{lat} < 1 \text{ Wm}^{-1}\text{K}^{-1}$ ) शामिल है, जो थर्मोइलेक्ट्रिक अनुप्रयोगों के लिए आवश्यक है।

यह अध्ययन 15 सरोगेट मॉडल्स को तीन विशिष्ट आर्किटेक्चरल समूहों में वर्गीकृत करता है:

भौतिकी-सूचित फीचर डिस्क्रिप्टर के साथ संयुक्त ML मॉडल: ये रिग्रेशन मॉडल्स के इनपुट के रूप में हस्तनिर्मित भौतिक-रासायनिक डिस्क्रिप्टर्स (जैसे, संरचना और भौतिक विशेषताएं) का उपयोग करते हैं।
एंड-टू-एंड डीप न्यूरल नेटवर्क (DNNs): ये मॉडल सीधे परमाणु संरचनाओं को इनपुट के रूप में लेते हैं, और जेनरेटिव मॉडल्स एवं MLIPs में उपयोग किए जाने वाले आर्किटेक्चर के समान संरचनाओं के माध्यम से कार्य-विशिष्ट निरूपण (representations) सीखते हैं।
MLIP-एम्बेडिंग्स के साथ संयुक्त ML मॉडल: ये क्रिस्टल संरचनाओं के सीखे गए निरूपण निकालने के लिए यूनिवर्सल MLIPs का लाभ उठाते हैं, जिन्हें फिर फीडफॉरवर्ड न्यूरल नेटवर्क में फीड किया जाता है।

सरल इंटरपोलेशन से परे सामान्यीकरण क्षमताओं का कठोरता से मूल्यांकन करने के लिए, लेखक तीन विशिष्ट डेटासेट स्प्लिट्स के माध्यम से मॉडल प्रदर्शन का मूल्यांकन करते हैं:

रैंडम स्प्लिट (80:20): एक मानक बेसलाइन जो एक ही वितरण के भीतर सामान्य इंटरपोलेशन सटीकता का आकलन करती है।
स्पेस-ग्रुप डिसजॉइंट स्प्लिट: यह सुनिश्चित करके संरचनात्मक एक्सट्रपलेशन का परीक्षण करता है कि टेस्ट सेट में कोई भी क्रिस्टलोग्राफिक सिमेट्री ग्रुप (स्पेस ग्रुप) प्रशिक्षण सेट में मौजूद नहीं है।
आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) स्प्लिट: यह गुण-आधारित एक्सट्रपलेशन का परीक्षण करता है जिसमें केवल उच्च- $\kappa_{lat}$ वाली सामग्रियों ( $> 1 \text{ Wm}^{-1}\text{K}^{-1}$ ) पर प्रशिक्षण दिया जाता है और कम- $\kappa_{lat}$ वाली सामग्रियों ( $\leq 1 \text{ Wm}^{-1}\text{K}^{-1}$ ) पर मूल्यांकन किया जाता है। यह उच्च-चालकता वाली सामग्रियों से भरे डेटासेट्स से दुर्लभ, कम-चालकता वाले उम्मीदवारों को खोजने की चुनौती का अनुकरण करता है।

मुख्य परिणाम
मूल्यांकन तीन मॉडल श्रेणियों और तीन डेटासेट स्प्लिट्स के बीच विशिष्ट प्रदर्शन विशेषताओं को प्रकट करता है:

समग्र प्रदर्शन: ALiEGNN (एक इक्विवेरिएंट ग्राफ न्यूरल नेटवर्क) ने सर्वश्रेष्ठ समग्र प्रदर्शन (औसत MAE: 0.712) प्राप्त किया, इसके ठीक बाद Orb+CNN और HackNIP का स्थान रहा।
इंटरपोलेशन बनाम एक्सट्रपलेशन:
- MLIP-एम्बेडेड मॉडल्स ने इंटरपोलेशन कार्यों (रैंडम और स्पेस-ग्रुप स्प्लिट) में बेहतर प्रदर्शन किया, लेकिन OOD क्षेत्र में महत्वपूर्ण गिरावट देखी गई। लेखक सुझाव देते हैं कि यह प्री-ट्रेन्ड एटोमिस्टिक मॉडल्स को फाइन-ट्यून करते समय "रिप्रेजेंटेशन कोलैप्स" के कारण हो सकता है, जिससे OOD सामान्यीकरण के लिए आवश्यक रासायनिक रूप से सार्थक प्रायर्स (priors) का नुकसान होता है।
- डीप न्यूरल नेटवर्क मॉडल्स, विशेष रूप से ALiEGNN, ने OOD क्षेत्रों में बेहतर मजबूती दिखाई। ALiEGNN द्वारा गोलाकार हार्मोनिक्स (spherical harmonics) के माध्यम से बॉन्ड-एंगल जानकारी का स्पष्ट एनकोडिंग करने की क्षमता इसे उन दूरी-आधारित ग्राफ न्यूरल नेटवर्क से अलग करती है जो स्थानीय वातावरण को नहीं समझ पाते; यह विशेषता बॉन्ड-एंगल-संचालित फोनन डिस्पर्शन और एनहार्मोनिक स्कैटरिंग को पकड़ने के लिए महत्वपूर्ण है।
रिप्रेजेंटेशन एक्सप्रेसिविटी: जब संरचनात्मक निरूपण को कम किया गया, तो प्रदर्शन में व्यवस्थित गिरावट देखी गई। पूर्ण संरचनात्मक जानकारी (जैसे, CGCNN) का उपयोग करने वाले मॉडल्स ने केवल Wyckoff-स्तर की समरूपता (WyFormer) या केवल संरचना (CrabNet) का उपयोग करने वाले मॉडल्स की तुलना में बेहतर प्रदर्शन किया, जो इस बात की पुष्टि करता है कि $\kappa_{lat}$ विस्तृत क्रिस्टल संरचना द्वारा गहराई से नियंत्रित होता है।
गणना दक्षता: हालांकि सरोगेट मॉडल्स प्रत्यक्ष प्रथम-सिद्धांत गणनाओं की पूर्ण सटीकता से मेल नहीं खाते हैं, वे गति में निर्णायक लाभ प्रदान करते हैं। उदाहरण के लिए, ALiEGNN को प्रशिक्षित करने में लगभग 2,750 सेकंड लगे, जबकि टेस्ट सेट के लिए इन्फरेंस समय 5 सेकंड से कम था, जो DFT-आधारित वर्कफ्लो की तुलना में कई गुना कमी को दर्शाता है।

महत्व और दावे
लेख दावा करते हैं कि हालांकि कोई भी एकल सरोगेट मॉडल वर्तमान में सभी डेटासेट्स में प्रत्यक्ष DFT-आधारित जालक तापीय चालकता गणनाओं की सटीकता से मेल नहीं खाता है, फिर भी स्पीड-एक्यूरेसी ट्रेड-ऑफ उन्हें उच्च-थ्रूपुट स्क्रीनिंग के लिए इष्टतम बनाता है। अध्ययन पहचान करता है कि MLIP-एम्बेडेड मॉडल अच्छी तरह से सैंपल्ड क्षेत्रों में उत्कृष्ट हैं, जबकि एंड-टू-एंड डीप न्यूरल नेटवर्क (विशेष रूप से ALिEGNN) रासायनिक स्थान के अनछुए क्षेत्रों में नवीन निम्न- $\kappa_{lat}$ सामग्रियों की खोज के लिए बेहतर एक्सट्रपलेशन क्षमताएं प्रदान करते हैं।

लेखक निष्कर्ष निकालते हैं कि ये सरोगेट मॉडल्स जेनरेटिव डिजाइन वर्कफ्लो में न्यूनतम हानि के साथ थर्मोइलेक्ट्रिक सामग्रियों की कुशल स्क्रीनिंग को सक्षम करते हैं। इसके अलावा, वे सुझाव देते हैं कि एक एन्सेम्बल दृष्टिकोण, जो MLIP-एम्बेडेड मॉडल्स की इंटरपोलेशन ताकत को DNNs की एक्सट्रपलेशन मजबूती के साथ जोड़ता है, विविध सामग्री खोज परिदृश्यों में और भी विश्वसनीय प्रदर्शन प्रदान कर सकता है। यह कार्य थर्मल ट्रांसपोर्ट गुणों के लिए मॉडल सामान्यीकरण का मूल्यांकन करने के लिए एक बेंचमार्क प्रोटोकॉल स्थापित करता है, जो सरल रैंडम स्प्लिट्स से आगे बढ़कर संरचनात्मक और गुण-आधारित OOD चुनौतियों को शामिल करता है।

1. प्रशिक्षण का मैदान (द "फोनिक्स" डेटाबेस)

2. "गेसर्स" के तीन प्रकार

3. तीन परीक्षण (परीक्षाएँ)

4. परिणाम: कौन जीता?

5. बड़ा निष्कर्ष

इसी तरह के और पेपर