🤖 machine learning

Generating Physically Consistent Molecules with Energy-Based Models

यह शोधपत्र EBMol को प्रस्तुत करता है, जो एक नवीन ऊर्जा-आधारित मॉडल है जो एक फ्लो-प्रेरित उद्देश्य के माध्यम से परमाणु-योगात्मक स्केलर क्षमता (atom-additive scalar potential) सीखकर 3D आणविक पीढ़ी के लिए भौतिक इंडक्टिव बायस (physical inductive bias) को पुनर्स्थापित करता है, जिससे QM9 और GEOM-Drugs पर अत्याधुनिक प्रदर्शन प्राप्त होता है और साथ ही सिद्धांत-आधारित गुणवत्ता रैंकिंग और नियंत्रणीय ज़ीरो-शॉट डिज़ाइन सक्षम होता है।

मूल लेखक: Christoph Griesbacher, Lea Bogensperger, Andreas Habring, Thomas Pock

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Christoph Griesbacher, Lea Bogensperger, Andreas Habring, Thomas Pock

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 कंप्यूटर को नए अणु (molecules) डिजाइन करना सिखाने की कोशिश कर रहे हैं, जैसे कि परमाणुओं से बने नन्हे लेगो (Lego) स्ट्रक्चर। लक्ष्य ऐसे अणु बनाना है जो स्थिर और भौतिक रूप से संभव हों, न कि केवल ब्लॉकों का रैंडम ढेर जो छूते ही बिखर जाए।

वर्तमान में अधिकांश AI विधियाँ इस कार्य के लिए एक GPS नेविगेशन सिस्टम की तरह हैं। वे "अराजकता" (रैंडम शोर) से "गंतव्य" (एक वैध अणु) तक के मार्ग को सीखती हैं। वे वहां पहुँचने में बहुत अच्छी हैं, लेकिन एक बार पहुँचने के बाद, वे वास्तव में यह नहीं समझ पातीं कि वह गंतव्य एक अच्छी जगह क्यों है। वे आसानी से यह नहीं बता सकतीं कि क्या किसी अणु का थोड़ा अलग संस्करण बेहतर या बदतर है, और वे पूरे सिस्टम को फिर से प्रशिक्षित किए बिना दो अलग-अलग अणुओं के हिस्सों को मिलाकर एक नया अणु आसानी से नहीं बना सकतीं।

EBMol एक नया दृष्टिकोण है जो खेल बदल देता है। यह केवल एक रास्ता सीखने के बजाय, एक लैंडस्केप (परिदृश्य) सीखता है।

ऊर्जा परिदृश्य (The Energy Landscape): अणुओं का एक पर्वत शृंखला

सभी संभावित परमाणु व्यवस्थाओं को एक विशाल, 3D पर्वत शृंखला के रूप में सोचें।

घाटियाँ (Valleys) स्थिर, वास्तविक अणुओं का प्रतिनिधित्व करती हैं। घाटी जितनी गहरी होगी, अणु उतना ही स्थिर होगा।
पर्वत (Mountains) अस्थिर, असंभव, या "टूटे हुए" ढांचों का प्रतिनिधित्व करते हैं।

भौतिकी में, अणु स्वाभाविक रूप से सबसे गहरी घाटियों में स्थिर होते हैं (इसे 'बोल्ट्ज़मैन वितरण' कहा जाता है)। समस्या यह है कि डेटा से इस पर्वत के मानचित्र को बनाना अविश्वसनीय रूप से कठिन है। पिछले प्रयासों ने या तो पूरा मानचित्र बनाने से ही हार मान ली (उसी GPS विधि का उपयोग करते हुए जिसका उल्लेख ऊपर किया गया है) या उन्होंने मानचित्र बनाने की कोशिश की लेकिन वे फंस गए क्योंकि मानचित्र बहुत ऊबड़-खाबड़ और भ्रमित करने वाला था।

EBMol इस मानचित्र को कैसे बनाता है

लेखक एक नई प्रशिक्षण विधि पेश करते हैं जिसे रिस्टोरिंग फील्ड मैचिंग (Restoring Field Matching - RFM) कहा जाता है।

एक चिकनी रबर की शीट की कल्पना करें जो ऊर्जा परिदृश्य का प्रतिनिधित्व करती है। आप उस शीट पर एक भारी गेंद (एक वास्तविक अणु) रखते हैं। आप चाहते हैं कि शीट ठीक गेंद के नीचे नीचे की ओर झुके, जिससे एक आदर्श घाटी बन सके।

पुरानी विधियाँ दूर से गेंद को देखकर गड्ढे के आकार का अनुमान लगाने की कोशिश करती थीं, जिससे अक्सर आकार गलत हो जाता था।
EBMol की विधि एक जादुई हवा की तरह है। यह गेंद के दोनों ओर से केंद्र की ओर चलती है। यदि आप अणु के बाईं ओर हैं, तो हवा आपको दाईं ओर धकेलती है। यदि आप दाईं ओर हैं, तो यह आपको बाईं ओर धकेलती है। यदि आप ऊपर या नीचे हैं, तो यह आपको नीचे की ओर धकेलती है।

AI को इस "पुनर्स्थापनात्मक हवा" (restoring wind) को बनाने के लिए प्रशिक्षित करके, जो हमेशा वास्तविक अणुओं की ओर वापस इशारा करती है, AI स्वचालित रूप से उन आदर्श घाटियों (स्थानीय मिनिमा) को तराश लेता है जहाँ वास्तविक डेटा स्थित होता है। यह बिना प्रशिक्षण चरण के महंगे भौतिक सिमुलेशन चलाए ऐसा करता है।

मानचित्र का संचालन: द मिरर वॉकर (The Mirror Walker)

एक बार मानचित्र बन जाने के बाद, आपको नए अणु खोजने के लिए इस मानचित्र पर चलना होगा। मानक चलने वाले एल्गोरिदम (जैसे लैंग्विन डायनेमिक्स) समतल जमीन (कोऑर्डिनेट्स) पर तो ठीक काम करते हैं, लेकिन जब वे किसी दीवार से टकराते हैं (जैसे कि वे नियम कि एक परमाणु की संभावना 100% जोड़नी चाहिए), तो वे संघर्ष करते हैं।

EBMol एक चतुर ट्रिक का उपयोग करता है जिसे मिरर लैंग्विन एल्गोरिदम (Mirror Langevin Algorithm) कहा जाता है।

कल्पना करें कि आप घुमावदार दीवारों वाले कमरे में चल रहे हैं। यदि आप सीधा चलने की कोशिश करते हैं, तो आप दीवार से टकरा सकते हैं।
"मिरर" विधि ऐसी है जैसे आपने विशेष चश्मा पहना हो जो घुमावदार कमरे को आपके लिए सपाट दिखाता है। आप उस "मिरर वर्ल्ड" में एक सीधी रेखा में चलते हैं, और जब आप चश्मा उतारते हैं, तो आपको एहसास होता है कि आपने वास्तव में दीवार के घुमाव के साथ बिल्कुल सही ढंग से रास्ता तय किया है।
यह AI को परमाणुओं की स्थिति (वे कहाँ हैं) और उनके प्रकार (कि वे कार्बन हैं, ऑक्सीजन आदि हैं) दोनों को एक साथ और सही ढंग से अपडेट करने की अनुमति देता है, बिना रसायन विज्ञान के नियमों को तोड़े।

यह क्यों महत्वपूर्ण है: मानचित्र की "सुपरपावर"

क्योंकि EBMol वास्तव में ऊर्जा मानचित्र (अणु के पीछे का "क्यों") सीखता है, इसलिए इसे GPS-शैली के मॉडल के विपरीत सुपरपावर्स प्राप्त होती हैं:

रैंकिंग और फ़िल्टरिंग: आप 1,000 अणु उत्पन्न कर सकते हैं और तुरंत उन्हें स्कोर दे सकते हैं। जो अणु सबसे कम ऊर्जा (सबसे गहरी घाटियों) वाले हैं, वे सबसे अच्छे हैं। यह एक गुणवत्ता नियंत्रण निरीक्षक की तरह है जो जानता है कि कौन से अणु भौतिक रूप से सुदृढ़ हैं।
मिक्स एंड मैच (कंपोजेबल जनरेशन): क्योंकि ऊर्जा केवल हिस्सों का योग है, आप एक विशिष्ट आकार (जैसे कि एक गोला) के "ऊर्जा मानचित्र" को एक ड्रग अणु के मानचित्र के साथ जोड़ सकते हैं। AI फिर उस पथ पर चलता है जो दोनों शर्तों को पूरा करता है। आप एक "गोलाकार ड्रग" मांग सकते हैं और यह एक गोलाकार ड्रग बना देगा, भले ही इसने अपने प्रशिक्षण डेटा में कभी भी गोलाकार ड्रग न देखा हो।
जीरो-शॉट लिंकर डिज़ाइन: कल्पना करें कि आपके पास अणु के दो हिस्से हैं (जैसे कि दो पहेली के टुकड़े) और आपको उन्हें जोड़ने के लिए बीच का हिस्सा डिजाइन करने की आवश्यकता है। EBMol उस गायब बीच के हिस्से को भर सकता है क्योंकि यह स्थिर संबंध खोजने के लिए ऊर्जा परिदृश्य पर "चल" सकता है, बिना इसके लिए विशेष रूप से पुन: प्रशिक्षित हुए।

परिणाम

पेपर दिखाता है कि EBMol ऐसे अणु बनाता है जो न केवल वैध हैं बल्कि भौतिक रूप से "परफेक्ट" स्थिर अवस्था के करीब हैं, जो कि किसी भी पिछली विधि से बेहतर है जिसने रासायनिक बंधों को स्पष्ट रूप से मॉडल नहीं किया था। इसने मानक परीक्षणों (QM9 और GEOM-Drugs) पर शीर्ष स्कोर प्राप्त किया और, सबसे महत्वपूर्ण बात यह है कि इसके द्वारा उत्पन्न अणुओं को स्थिर होने के लिए बहुत कम "रिलैक्सेशन" (भौतिक सुधार) की आवश्यकता होती है।

संक्षेप में, EBMol अणु निर्माण को केवल "गंतव्य का अनुमान लगाने" के खेल के रूप में नहीं देखता, बल्कि इसे "एक भौतिक परिदृश्य में नेविगेट करने" के खेल में बदल देता है, जिससे AI को रसायन विज्ञान की गहरी और सहज समझ मिलती है।

तकनीकी सारांश: ऊर्जा-आधारित मॉडलों के साथ भौतिक रूप से सुसंगत अणुओं का निर्माण

समस्या विवरण

तापीय संतुलन (thermal equilibrium) पर आणविक अवस्थाएँ बोल्ट्ज़मैन वितरण (Boltzmann distribution), $p(x) \propto \exp(-E(x)/(k_BT))$ द्वारा शासित होती हैं, जहाँ किसी विन्यास (configuration) की प्रायिकता उसके विभव ऊर्जा (potential energy) द्वारा निर्धारित होती है। यद्यपि आणविक पीढ़ी के लिए मानक डेटासेट (जैसे, QM9, GEOM-Drugs) ज्यामिति-अनुकूलित संरचनाओं को समाहित करते हैं जो स्थानीय ऊर्जा न्यूनतम (local energy minima) तक शिथिल (relaxed) हैं, वे बोल्ट्ज़मैन वितरण से नहीं लिए गए हैं; उनकी सापेक्ष आवृत्तियाँ थर्मोडायनामिक भार के बजाय गणना रणनीतियों को दर्शाती हैं। फलस्वरूप, एक स्केलर ऊर्जा परिदृश्य (scalar energy landscape) जहाँ न्यूनतम बिंदु स्थिर विन्यासों के साथ मेल खाते हैं, एक स्वाभाविक मॉडलिंग लक्ष्य है।

हालाँकि, ऐसे परिदृश्यों को सीखना और उनसे नमूने लेना (sampling) अभी भी एक खुली चुनौती है। पारंपरिक ऊर्जा-आधारित मॉडल (EBMs) या तो बोल्ट्ज़मैन-वितरित डेटा की आवश्यकता रखते हैं या महंगी मार्कोव चेन मोंटे कार्लो (MCMC) विधियों पर निर्भर करते हैं जो शोर (noise) और वैध संरचनाओं के बीच ऊबड़-खाबड़, अभौतिक क्षेत्रों को पार करने में संघर्ष करती हैं। इसके विपरीत, अत्याधुनिक डिफ्यूजन और फ्लो-मैचिंग मॉडल समय-सशर्त परिवहन क्षेत्रों (time-conditional transport fields) को सीखकर इन समस्याओं से बच जाते हैं। प्रभावी होने के बावजूद, ये मॉडल ऊर्जा प्रेरक पूर्वाग्रह (energy inductive bias) खो देते हैं, जिससे अनुमान (inference) के समय विन्यासों का मूल्यांकन, रैंकिंग या संयोजन करने के लिए कोई स्पष्ट ऊर्जा फलन (energy function) उपलब्ध नहीं होता।

कार्यप्रणाली: EBMol

लेखक EBMol प्रस्तुत करते हैं, जो 3D आणविक पीढ़ी के लिए एक ऊर्जा-आधारित मॉडल है जो प्रशिक्षण के दौरान स्पष्ट सिमुलेशन की आवश्यकता के बिना ऊर्जा प्रेरक पूर्वाग्रह को पुनर्स्थापित करता है। यह ढांचा दो प्राथमिक घटकों से बना है:

1. प्रशिक्षण के लिए रिस्टोरिंग फील्ड मैचिंग (RFM)

बोल्ट्ज़मैन-वितरित डेटा के बिना एक सुलभ ऊर्जा परिदृश्य $E_\theta(x)$ सीखने के लिए, लेखक रिस्टोरिंग फील्ड मैचिंग (RFM) का प्रस्ताव करते हैं।

अवधारणा: डेटा बिंदुओं को केवल प्रक्षेपवक्र अंत (trajectory endpoints) के रूप में मानने के बजाय (जैसा कि मानक फ्लो मैचिंग में होता है), RFM अंतराल $t \in [-1, 1]$ को $t=0$ पर डेटा के वाया (through) विस्तारित करता है।
लक्ष्य क्षेत्र निर्माण (Target Field Construction): मॉडल को ऊर्जा के ऋणात्मक ग्रेडिएंट, $-\nabla E_\theta(x_t)$ , को एक लक्ष्य "रिस्टोरिंग फील्ड" $u$ के साथ मेल खाने के लिए प्रशिक्षित किया जाता है। यह क्षेत्र मैनिफोल्ड के दोनों ओर से डेटा $x_0$ की ओर संकेत करता है (इंटरपोलेशन $t \in [0, 1]$ और एक्सट्रपलेशन $t \in [-1, 0]$ )।
स्थिरता (Stationarity): एक स्मूथिंग फंक्शन $b(|t|)$ लक्ष्य क्षेत्र को स्केल करता है ताकि वह $t=0$ (डेटा बिंदु) पर शून्य हो जाए, जिससे यह सुनिश्चित होता है कि डेटा बिंदु सीखे गए ऊर्जा परिदृश्य के स्थानीय न्यूनतम बन जाएं।
नियमितीकरण (Regularization): एक प्रति-परमाणु नियमितीकरण पद स्वच्छ डेटा बिंदुओं की ऊर्जा मानों को शून्य की ओर एंकर करता है ताकि सैंपलर में कृत्रिम गहराई पूर्वाग्रह (depth biasing) को रोका जा सके।
स्टेट स्पेस हैंडलिंग: यह विधि मिश्रित निरंतर-विविक्त अवस्थाओं ( $x = (c, p)$ , जहाँ $c$ निर्देशांक हैं और $p$ परमाणु प्रकार हैं) को अलग-अलग इंटरपुलेंट्स को परिभाषित करके संभालती है: निर्देशांकों के लिए रैखिक प्रक्षेपवक्र (ऑप्टिमल ट्रांसपोर्ट द्वारा संरेखित) और सिमप्लेक्स के भीतर रहने के लिए श्रेणीगत विशेषताओं (categorical features) के लिए प्रतिबिंब-आधारित प्रक्षेपवक्र।

2. सैंपलिंग के लिए मिरर-लैंग्विन एल्गोरिदम (MLA)

सीखी गई वितरण $p_\theta(x) \propto \exp(-E_\theta(x)/\tau)$ से नमूने लेने के लिए, लेखक मिरर-लैंग्विन एल्गोरिदम को अनुकूलित करते हैं।

एकीकृत अपडेट: मानक लैंग्विन डायनेमिक्स परमाणु प्रकारों को प्रायिकता सिमप्लेक्स से बाहर धकेल देते हैं। MLA इसे एक अनकन्स्ट्रेंड ड्यूल स्पेस में अपडेट करने और मिरर मैप के माध्यम से वापस प्रोजेक्ट करके हल करता है।
- निरंतर निर्देशांकों के लिए, यूक्लिडियन पोटेंशियल MLA को अनएडजस्टेड लैंग्विन एल्गोरिदम में बदल देता है।
- श्रेणीगत परमाणु प्रकारों के लिए, नेगेटिव एंट्रॉपी पोटेंशियल सिमप्लेक्स को लॉजिट स्पेस में मैप करता है, जिसमें सॉफ्टमैक्स फंक्शन वापस प्रोजेक्ट करता है।
पैरेलल टेम्परिंग (Parallel Tempering): ऊबड़-खाबड़ ऊर्जा परिदृश्यों को पार करने की कठिनाई को संबोधित करने के लिए, लेखक विभिन्न तापमानों पर कई चेन्स के साथ पैरेलल टेम्परिंग का उपयोग करते हैं। आवधिक मेट्रोपोलिस-हेस्टिंग्स स्वैप "हॉट" चेन्स को व्यापक रूप से अन्वेषण करने और "कोल्ड" चेन्स को परिशोधन करने की अनुमति देते हैं, जिससे इन्फरेंस-टाइम कंप्यूट स्केलिंग सक्षम होती है।

मुख्य योगदान

रिस्टोरिंग फील्ड मैचिंग (RFM): एक सिमुलेशन-मुक्त प्रशिक्षण उद्देश्य जो डेटा बिंदुओं को स्थानीय न्यूनतम के रूप में रखते हुए एक स्केलर, परमाणु-योगात्मक ऊर्जा परिदृश्य को आकार देता है। लेखक समाधान की अस्तित्व और विशिष्टता के संबंध में सैद्धांतिक गारंटी प्रदान करते हैं और विभिन्न नियमितीकरण शक्तियों के तहत व्यवहार को स्पष्ट करते हैं।
मिरर-लैंग्विन सैंपलिंग फ्रेमवर्क: संयुक्त निरंतर-विविक्त डीप जेनेरेटिव मॉडलिंग के लिए पहला एकीकृत मिश्रित-ज्यामिति लैंग्विन फ्रेमवर्क, जो एक ही चरण के भीतर कोऑर्डिनेट अपडेट और सिमप्लेक्स-प्रतिबंधित परमाणु प्रकार अपडेट को जोड़ता है, जिसे पैरेलल टेम्परिंग द्वारा संवर्धित किया गया है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: EBMol QM9 और GEOM-Drugs बेंचमार्क पर अत्याधुनिक परिणाम प्राप्त करता है, यह प्रदर्शित करते हुए कि ऊर्जा-आधारित मॉडलिंग पीढ़ी की गुणवत्ता में डिफ्यूजन/फ्लो मॉडलों से मेल खा सकती है और अतिरिक्त क्षमताएं भी प्रदान कर सकती है।

प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन QM9 (134k छोटे अणु) और GEOM-Drugs (430k ड्रग-लाइक अणु) पर किया गया।

जेनरेशन गुणवत्ता: QM9 पर, EBMol (1810 नेटवर्क फंक्शन इवैल्यूएशन के साथ) परमाणु और अणु स्थिरता में सभी बेसलाइन को पछाड़ देता है, क्रमशः 99.76% और 97.09% प्राप्त करता है। GEOM-Drugs पर, EBMol मजबूत बेसलाइन SLDM को काफी पीछे छोड़ देता है, उच्च कंप्यूट बजट पर 98.68% परमाणु स्थिरता और 61.42% अणु स्थिरता तक पहुँचता है।
भौतिक सुसंगतता: सीखा गया ऊर्जा परिदृश्य एक सिद्धांत-आधारित गुणवत्ता मीट्रिक के रूप में कार्य करता है। EBMol GEOM-Drugs पर 1.78 kcal/mol का औसत रिलैक्सेशन ऊर्जा प्राप्त करता है, जो बॉन्ड-इम्प्लिसिट मॉडलों की तुलना में एक क्रम कम है और बॉन्ड-एक्सप्लिसिट मॉडलों (Megalodon) के प्रतिस्पर्धी है, बावजूद इसके कि इसमें 18 $\times$ कम पैरामीटर हैं और कोई स्पष्ट बॉन्ड सुपरविजन नहीं है।
भौतिक ऊर्जा के साथ सहसंबंध: सीखी गई ऊर्जा GFN2-xTB रिलैक्सेशन पर ऊर्जा की कमी के साथ महत्वपूर्ण रूप से सहसंबंधित ( $r=0.65$ ) है, जिससे मॉडल भौतिक रूप से तनावपूर्ण ज्यामितियों के लिए एक हल्के फिल्टर के रूप में कार्य कर सकता है।
नियंत्रणीय जेनरेशन:
- शेप स्टीयरिंग (Shape Steering): सीखे गए पोटेंशियल को डिफरेंशिएबल शेप पोटेंशल्स (लीनियर, प्लेनर, स्फेरिकल) के साथ संयोजित करके, मॉडल बिना पुन: प्रशिक्षण के कम प्रतिनिधित्व वाले ज्यामितियों की ओर जेनरेशन को निर्देशित कर सकता है।
- ज़ीरो-शॉट लिंकर डिज़ाइन: ऊर्जा की योगात्मक प्रकृति लिंकर डिज़ाइन कार्यों के लिए खंडों (fragments) को स्थिर करके सशर्त जेनरेशन की अनुमति देती है। EBMol विभिन्न जटिलताओं के बीच विविध कार्यों में 73.9% सफलता दर प्राप्त करता है।

महत्व और दावे

पेपर का दावा है कि EBMol 3D आणविक जेनरेशन के लिए एक बहुमुखी ढांचे के रूप में ऊर्जा-आधारित मॉडलों की क्षमता को प्रदर्शित करता है। इसका प्राथमिक महत्व ऊर्जा प्रेरक पूर्वाग्रह को पुनर्स्थापित करना है जो समय-सशर्त मॉडलों द्वारा खो दिया गया था, जिससे निम्नलिखित सक्षम होता है:

भौतिक रूप से सार्थक स्कोरिंग: एक स्पष्ट ऊर्जा फलन के आधार पर उत्पन्न नमूनों को रैंक करने और फ़िल्टर करने की क्षमता।
कंपोजेबल जेनरेशन: पोटेंशियल कंपोजिशन (जैसे, शेप स्टीयरिंग) के माध्यम से जेनरेशन को निर्देशित करने और बिना पुन: प्रशिक्षण के ज़ीरो-शॉट कंडीशनल जेनरेशन (जैसे, लिंकर डिज़ाइन) करने की क्षमता।
उच्च-गुणवत्ता वाली जेनरेशन: उल्लेखनीय स्थिरता और वैधता के साथ संरचनाएं उत्पन्न करते हुए अत्याधुनिक स्थिरता और वैधता प्राप्त करना, जो स्पष्ट बॉन्ड सुपरविजन वाले मॉडलों की बराबरी करती हैं।

लेखक सीमाओं का उल्लेख करते हैं, जिसमें सैंपलिंग एल्गोरिदम की हाइपरपैरामीटर्स के प्रति संवेदनशीलता और इष्टतम परिणाम प्राप्त करने के लिए वर्तमान में महत्वपूर्ण कंप्यूट बजट (NFEs) की आवश्यकता शामिल है। वे सुझाव देते कि भविष्य के कार्य भौतिक मात्राओं (DFT/GFN2-xTB) के विरुद्ध ऊर्जा अंशांकन (calibration) और अधिक परिष्कृत सैंपलर के एकीकरण पर ध्यान केंद्रित कर सकते हैं।