🔬 physics

M\=oLe-{\Lambda}: Learning the Coupled-Cluster Response State for Energies, Gradients, and Properties

यह शोध पत्र M\=oLe- $\Lambda$ को प्रस्तुत करता है, जो एक इक्विवेरिएंट (equivariant) मशीन लर्निंग मॉडल है जो स्थानीय हार्ट्री-फ़ॉक ऑर्बिटल्स से राइट-हैंड और लेफ्ट-हैंड कपल्ड-क्लस्टर एम्प्लीट्यूड दोनों का संयुक्त रूप से पूर्वानुमान लगाता है ताकि पारंपरिक CCSD सिद्धांत की साइज-एक्सटेंसिविटी (size-extensivity) और लोकैलिटी (locality) को बनाए रखते हुए सटीक ऊर्जा, बल और प्रतिक्रिया गुणों की एक विस्तृत श्रृंखला को कुशलतापूर्वक उत्पन्न किया जा सके।

मूल लेखक: Andreas Burger, Luca Thiede, Abdulrahman Aldossary, Jorge A. Campos-Gonzalez-Angulo, Alex Zook, Jérôme Florian Gonthier, Alán Aspuru-Guzik

प्रकाशित 2026-05-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andreas Burger, Luca Thiede, Abdulrahman Aldossary, Jorge A. Campos-Gonzalez-Angulo, Alex Zook, Jérôme Florian Gonthier, Alán Aspuru-Guzik

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 जटिल मशीन, जैसे कि कार के इंजन के व्यवहार को समझने की कोशिश कर रहे हैं। यह जानने के लिए कि वह कैसे चलता है, आपको दो चीजों की आवश्यकता है:

पुर्जे कैसे आगे बढ़ते हैं (इंजन का चलना, पिस्टन का ऊपर जाना)।
बदलावों के प्रति सिस्टम कैसे प्रतिक्रिया देता है (इंजन सड़क के किसी झटके को कैसे संभालता है, या जब आप गैस दबाते हैं तो ईंधन का मिश्रण कैसे बदलता है)।

रसायन विज्ञान (Chemistry) की दुनिया में, अणु (molecules) ये जटिल मशीनें ही हैं। वैज्ञानिक अणुओं के व्यवहार की भविष्यवाणी करने के लिए कपल-क्लस्टर (Coupled-Cluster - CC) थ्योरी नामक एक "गोल्ड स्टैंडर्ड" विधि का उपयोग करते हैं। यह अविश्वसनीय रूप से सटीक है, लेकिन यह एक विशाल, बहु-आयामी पहेली को हाथ से हल करने जैसा है: इसे बहुत अधिक कंप्यूटर पावर की आवश्यकता होती है, इसलिए इसका उपयोग आमतौर पर बहुत छोटे अणुओं के अलावा किसी और चीज़ के लिए नहीं किया जा सकता।

लंबे समय से, शोधकर्ताओं ने इस प्रक्रिया को तेज करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने की कोशिश की है। उन्होंने इलेक्ट्रॉनों की "फॉरवर्ड मूवमेंट" (ऊर्जा और बल) की भविष्यवाणी करने वाले मॉडल बनाए। लेकिन एक समस्या थी: ये मॉडल "प्रतिक्रिया" वाले हिस्से को मिस कर देते थे। वे यह नहीं बता पाते थे कि अणु विद्युत क्षेत्रों (electric fields) के प्रति कैसे प्रतिक्रिया देगा, कैसे खिंचेगा, या दबाव में उसका आकार कैसे बदलेगा।

यहाँ आता है M¯oLe-Λ।

M¯oLe-Λ को एक नए, सुपर-स्मार्ट AI ट्यूटर के रूप में सोचें जो अणु की केवल पहली कहानी नहीं, बल्कि पूरी कहानी सीखता है। यह कैसे काम करता है, इसके सरल उदाहरण यहाँ दिए गए हैं:

1. "बायां" और "दायां" हाथ

इस रसायन विज्ञान के पीछे के गणित में, एक अणु का पूर्ण वर्णन करने के लिए दो प्रकार के नंबरों के सेट की आवश्यकता होती है:

दायां हाथ (T-amplitudes): यह इलेक्ट्रॉनों की मानक, आगे बढ़ने वाली स्थिति का वर्णन करता है। पिछले AI मॉडल इसका अनुमान काफी अच्छी तरह से लगा सकते थे।
बायां हाथ (Λ-amplitudes): यह "प्रतिक्रिया" वाला हाथ है। यह बताता है कि जब आप अणु को छेड़ते हैं, खींचते हैं या उस पर रोशनी डालते हैं, तो इलेक्ट्रॉन कैसे तालमेल बिठाते हैं।

M¯oLe-Λ को एक पिछले मॉडल के अपग्रेड के रूप में पेश किया गया है। यह AI को एक साथ दोनों हाथों का उपयोग करना सिखाने जैसा है। केवल यह अनुमान लगाने के बजाय कि अणु स्थिर अवस्था में कैसे बैठता है, अब यह सीखता है कि अणु अपने आस-पास की दुनिया के प्रति कैसे प्रतिक्रिया देता है।

2. "स्थानीय" पड़ोस से सीखना

अणु परमाणुओं से बने होते हैं। अतीत में, AI मॉडल पूरे अणु को एक विशाल, धुंधले बादल के रूप में देखने की कोशिश करते थे, जिसे सीखना कठिन था।
M¯oLe-Λ लोकलाइजेशन (localization) नामक एक तकनीक का उपयोग करता है। कल्पना कीजिए कि आप एक बड़े शहर को समझने की कोशिश कर रहे हैं। पूरे मानचित्र को एक साथ देखने के बजाय, आप उसे छोटे हिस्सों में तोड़ देते हैं। आप सीखते हैं कि एक पड़ोस के लोग आपस में कैसे बातचीत करते हैं, और फिर आप सीखते हैं कि वे पड़ोस एक-दूसरे से कैसे बात करते हैं।
यह मॉडल "लोकलाइज्ड" इलेक्ट्रॉन ऑर्बिटल्स (इलेक्ट्रॉनों के छोटे पड़ोस) को देखता है और सीखता है कि वे कैसे व्यवहार करते हैं। क्योंकि यह स्थानीय नियमों को सीखता है, इसलिए यह उन बड़े और अधिक जटिल अणुओं पर इन्हें लागू कर सकता है जिन्हें इसने पहले कभी नहीं देखा है, ठीक वैसे ही जैसे आप एक नए शहर को समझ सकते हैं यदि आप जानते हैं कि सामान्य तौर पर पड़ोस कैसे काम करते हैं।

3. जादुई परिणाम: एक मॉडल, कई उत्तर

इस पेपर की सबसे बड़ी सफलता इसकी दक्षता (efficiency) है। पहले, यदि कोई वैज्ञानिक किसी अणु की ऊर्जा जानना चाहता था, तो वह एक गणना चलाता था। यदि वह अणु का द्विध्रुव (dipole - बिजली के प्रति प्रतिक्रिया) या ध्रुवणता (polarizability - इलेक्ट्रिक फील्ड में दबना/सिकुड़ना) जानना चाहता था, तो उसे अलग-अलग, महंगी गणनाएं चलानी पड़ती थीं।

M¯oLe-Λ के साथ, AI मास्टर की (master key) (T और Λ नंबरों का पूरा सेट) सीख जाता है। एक बार जब इसके पास वह चाबी आ जाती है, तो यह किसी भी दरवाजे को खोल सकता है:

ऊर्जा (Energy): अणु कितना स्थिर है?
बल (Forces): परमाणु एक-दूसरे को कैसे धकेलते या खींचते हैं?
डाइपोल और क्वाड्रुपोल (Dipoles & Quadrupoles): यह चुंबकों या विद्युत क्षेत्रों के साथ कैसे इंटरैक्ट करता है?
इलेक्ट्रॉन घनत्व (Electron Density): इलेक्ट्रॉन वास्तव में कहाँ घूम रहे हैं?
पेयर डेंसिटी (Pair Density): इलेक्ट्रॉन आपस में कैसे जुड़ते हैं और नृत्य करते हैं?

4. गति और सटीकता

इस पेपर का परीक्षण हजारों छोटे कार्बनिक अणुओं (जैसे कि दवाओं या ईंधन में पाए जाने वाले अणु) पर किया गया।

सटीकता: इसने "गोल्ड स्टैंडर्ड" कपल-क्लस्टर परिणामों के साथ लगभग पूरी तरह से मेल खाया।
गति: यह पारंपरिक गणना की तुलना में 100 गुना तेज़ (दो ऑर्डर ऑफ मैग्नीट्यूड) था।
सामान्यीकरण (Generalization): जब इसका परीक्षण बड़े अणुओं (जैसे अमीनो एसिड) या अजीब, खिंचे हुए आकार वाले अणुओं (out-of-equilibrium) पर किया गया, तो यह विफल नहीं हुआ। यह काम करता रहा, जबकि अन्य AI मॉडल जो केवल ऊर्जा की भविष्यवाणी करते थे, वे विफल होने लगे।

निष्कर्ष

M¯oLe-Λ एक ऐसे मैप से अपग्रेड करने जैसा है जो केवल यह दिखाता है कि शहर कहाँ है, से एक ऐसे मैप तक जो ट्रैफ़िक, मौसम, निर्माण कार्य और अचानक आए तूफान के प्रति शहर की प्रतिक्रिया को भी दिखाता है। यह वैज्ञानिकों को न केवल यह देखने का एक तेज़ और सटीक तरीका देता है कि एक अणु क्या है, बल्कि यह भी कि जब दुनिया उस पर दबाव डालती है, तो वह वास्तव में कैसे व्यवहार करता है—और वह भी बिना किसी सुपरकंप्यूटर के हफ्तों इंतज़ार किए।

तकनीकी सारांश: M¯oLe-Λ

समस्या विवरण
कपल-क्लस्टर (CC) सिद्धांत, विशेष रूप से CCSD (सिंगल्स और डबल्स) संस्करण, ग्राउंड-स्टेट गुणों के सटीक क्वांटम रासायनिक गणनाओं के लिए स्वर्ण मानक (gold standard) है। हालाँकि, इसकी कम्प्यूटेशनल लागत $O(N^6)$ के रूप में स्केल करती है, जो छोटे सिस्टम्स के नियमित अनुप्रयोग को सीमित करती है। जबकि हालिया मशीन लर्निंग (ML) दृष्टिकोणों ने ऊर्जा और बलों (forces) या घनत्व (densities) और हैमिल्टोनियन को सफलतापूर्वक अनुमानित किया है, वे अक्सर पूर्ण कपल-क्लस्टर रिस्पॉन्स स्टेट (response state) को सीधे पैरामीटराइज करने में विफल रहते हैं। विशेष रूप से, केवल ऊर्जा और राइट-हैंड एम्प्लीट्यूड ( $T$ ) पर प्रशिक्षित मानक ML मॉडल "रिलैक्स्ड" (relaxed) ऑब्जर्वेबल्स—जैसे कि एनालिटिक ग्रेडिएंट्स, रिस्पॉन्स डेंसिटीज, पोलराइजेबिलिटीज और टू-इलेक्ट्रॉन गुणों—को रिकवर नहीं कर सकते, जो मौलिक रूप से लेफ्ट-हैंड एडजॉइंट एम्प्लीट्यूड ( $\Lambda$ ) पर निर्भर करते हैं। $\Lambda$ के बिना, इन गुणों के लिए या तो महंगे पोस्ट-प्रोसेसिंग की आवश्यकता होती है या उन्हें सीखे गए मॉडल से सटीक रूप से नहीं निकाला जा सकता।

कार्यप्रणाली (Methodology)
यह शोध पत्र M¯oLe-Λ को प्रस्तुत करता है, जो 'मॉलिक्यूलर ऑर्बिटल लर्निंग' (M¯oLe) ढांचे का एक विस्तार है जिसे पूर्ण ग्राउंड-स्टेट कपल-क्लस्टर रिस्पॉन्स स्टेट का अनुमान लगाने के लिए डिज़ाइन किया गया है। यह विधि स्थानीयकृत हार्ट्री-फॉक मॉलिक्यूलर ऑर्बिटल्स (MOs) से सीधे राइट-हैंड एक्साइटेशन एम्प्लीट्यूड ( $T_1, T_2$ ) और लेफ्ट-हैंड डी-एक्साइटेशन एम्प्लीट्यूड ( $\Lambda_1, \Lambda_2$ ) को सीखती है।

आर्किटेक्चर: मॉडल M¯oLe के इक्विवेरिएंट ऑर्बिटल एनकोडर को बनाए रखता है, जो स्थानीयकृत MOs को मॉलिक्यूलर-ऑर्बिटल अटेंशन और Odd-MACE अपडेट के साझा बैकबोन के माध्यम से प्रोसेस करता है। यह इनपुट्स की रोटेशनल इक्विवेरिएंस (rotational equivariance) और ऑर्बिटल फेज फ्लिप के संबंध में साइन इक्विवेरिएंस (sign equivariance) सुनिश्चित करता है।
डुअल रीडआउट्स (Dual Readouts): आर्किटेक्चर को चार अलग-अलग रीडआउट हेड्स के साथ संवर्धित किया गया है: $T$ एम्प्लीट्यूड ( $T_1, T_2$ ) के लिए दो और $\Lambda$ एम्प्लीट्यूड ( $\Lambda_1, \Lambda_2$ ) के लिए दो। $\Lambda$ हेड्स $T$ हेड्स की समरूपता बाधाओं (symmetry constraints) को प्रतिबिंबित करते हैं।
प्रशिक्षण रणनीति: मॉडल को अनुमानित और संदर्भ एम्प्लीट्यूड के बीच मीन स्क्वेयर्ड एरर (MSE) को कम करने के लिए प्रशिक्षित किया जाता है। डेटा दक्षता में सुधार के लिए, लेखक एक रेसिडुअल ट्रेनिंग रणनीति का उपयोग करते हैं जहाँ मॉडल कच्चे एम्प्लीट्यूड के बजाय CCSD एम्प्लीट्यूड और पेर्टर्बेटिव MP2 एम्प्लीट्यूड के बीच सुधार ( $\Delta$ ) को सीखता है, बजाय इसके कि वह सीधे एम्प्लीट्यूड को सीखे। यह प्राकृतिक लो-ऑर्डर पेर्टर्बेटिव संरचना को एक प्रायर (prior) के रूप में उपयोग करता है।
प्रॉपर्टी रिकंस्ट्रक्शन: एक बार एम्प्लीट्यूड का अनुमान लग जाने के बाद, सभी डाउनस्ट्रीम गुणों को अलग-अलग प्रेडिक्शन हेड्स के बजाय मानक कपल-क्लस्टर पोस्ट-प्रोसेसिंग रूटीन के माध्यम से प्राप्त किया जाता है। इसमें शामिल हैं:
- ऊर्जा और बल: $T$ और $\Lambda$ दोनों का उपयोग करके CCSD लैग्रेंजियन से गणना की जाती है।
- वन-पार्टिकल ऑब्जर्वेबल्स: डिपोल, क्वाड्रुपोल और इलेक्ट्रॉन डेंसिटी को $\Lambda$ -स्टेट वन-पार्टिकल रिड्यूस्ड डेंसिटी मैट्रिक्स (1-RDM) से पुनर्गठित किया जाता है।
- टू-पार्टिकल ऑब्जर्वेबल्स: पेयर डेंसिटी को 2-RDM से पुनर्गठित किया जाता है।
- रिस्पॉन्स प्रॉपर्टीज: पोलराइजेबिलिटीज को कमजोर बाहरी विक्षोभों (external perturbations) के तहत पुनर्गठित डेंसिटी मैट्रिक्स के डेरिवेटिव का मूल्यांकन करके प्राप्त किया जाता है।

मुख्य परिणाम
लेखकों ने QM7 डेटासेट और कई आउट-ऑफ-डिस्ट्रीब्यूशन टेस्ट सेट्स पर M¯oLe-Λ का मूल्यांकन किया, और इसकी तुलना हार्ट्री-फॉक (HF), MP2, और MACE एवं eSEN जैसे अत्याधुनिक मशीन-लर्नड इंटरएटमिक पोटेंशियल (MLIPs) से की।

सटीकता: M¯oLe-Λ QM7 टेस्ट सेट पर ऊर्जा के लिए 0.10 mHa और बलों के लिए 0.12 mHa/Bohr का मीन एब्सोल्यूट एरर (MAE) प्राप्त करता है, जो सीधे CCSD MLIP बेसलाइन्स और $\Delta$ -MP2 बेसलाइन्स दोनों से बेहतर प्रदर्शन करता है।
रिस्पॉन्स प्रॉपर्टीज: मॉडल HF, MP2, और केवल राइट-स्टेट वाले M¯oLe रिकंस्ट्रक्शन की तुलना में डिपोल, क्वाड्रुपोल और पोलराइजेबिलिटी के अनुमान में महत्वपूर्ण सुधार करता है। यह पुष्टि करता है कि $\Lambda$ एम्प्लीट्यूड को सीखना सटीक रिलैक्स्ड ऑब्जर्वेबल्स के लिए आवश्यक है।
सामान्यीकरण (Generalization): मॉडल मजबूत साइज एक्सट्रपलेशन प्रदर्शित करता है, जो बड़े अमीनो एसिड और PubChem मॉलिक्यूल्स (15 भारी परमाणुओं तक) पर भी कम त्रुटि बनाए रखता है, जहाँ केवल ज्योमेट्री-आधारित MLIPs का प्रदर्शन गिर जाता है। यह आउट-ऑफ-इक्विलिब्रियम ज्योमेट्री (जैसे बॉन्ड स्ट्रेचिंग, डायहेड्रल स्कैन) पर भी बेहतर प्रदर्शन दिखाता है।
इलेक्ट्रॉन और पेयर डेंसिटी: इलेक्ट्रॉन डेंसिटी और पेयर डेंसिटी का विजुअल विश्लेषण दर्शाता है कि M¯oLe-Λ सह-संबंधित इलेक्ट्रॉन-पेयर संरचनाओं को कैप्चर करता है और MP2 या केवल राइट-स्टेट वाले मॉडल्स की तुलना में ऑफ-एटम एरर्स को बहुत बेहतर तरीके से दबाता है।
दक्षता: यह विधि पर्याप्त गति वृद्धि प्रदान करती है। C21 तक के सिस्टम के लिए, M¯oLe-Λ पूर्ण CCSD और $\Lambda$ समीकरणों को हल करने की तुलना में $T$ और $\Lambda$ एम्प्लीट्यूड को दो ऑर्डर ऑफ मैग्नीट्यूड तेजी से कंप्यूट करता है। इसका एम्पिरिकल स्केलिंग परीक्षण किए गए शासन (regime) में $O(N^3)$ से कम देखा गया है, जो संभवतः टेंसर ऑपरेशन्स के कुशल GPU पैरेललाइजेशन के कारण है।

महत्व और दावे
यह शोध दावा करता है कि M¯oLe-Λ मशीन लर्निंग के क्षेत्र में एक बदलाव है, जो अलग-थलग ऑब्जर्वेबल्स के सन्निकटन (approximation) से हटकर अंतर्निहित इलेक्ट्रॉनिक-स्ट्रक्चर स्टेट के सन्निकटन की ओर ले जाता है। पूर्ण रिस्पॉन्स स्टेट ( $T, \Lambda$ ) को सीखकर, एक एकल सीखा गया ऑब्जेक्ट ऊर्जा, बल, रिस्पॉन्स प्रॉपर्टीज और रिड्यूस्ड-डेंसिटी-मैट्रिक्स ऑब्जर्वेबल्स के लिए एक एकीकृत ढांचे का समर्थन कर सकता है।

लेखक इस कार्य को "वेवफंक्शन-लेवल सरोगेट मॉडल्स" के लिए एक मार्ग के रूप में प्रस्तुत करते हैं जो उच्च-फिडेलिटी CCSD-लेवल रिस्पॉन्स प्रॉपर्टीज को बहुत कम कम्प्यूटेशनल लागत पर सुलभ बनाता है। वे इस बात पर जोर देते हैं कि यह दृष्टिकोण विशेष रूप से लो-डेटा रिजीम में मूल्यवान है, जहाँ स्ट्रक्चर्ड एम्प्लीट्यूड टेंसर, डायरेक्ट प्रॉपर्टी फिटिंग की तुलना में अधिक डेटा-एफिशिएंट प्रतिनिधित्व प्रदान करते हैं। यह कार्य def2-SVP बेसिस सेट और QM7 में पाए जाने वाले तत्वों के साथ क्लोज्ड-शेल सिस्टम तक सीमित है, और भविष्य में बड़े बेसिस सेट्स, ओपन-शेल सिस्टम और स्पार्स टेंसर रिप्रेजेंटेशन के लिए कार्य की योजना है।

1. "बायां" और "दायां" हाथ

2. "स्थानीय" पड़ोस से सीखना

3. जादुई परिणाम: एक मॉडल, कई उत्तर

4. गति और सटीकता

निष्कर्ष

इसी तरह के और पेपर