Using graph neural networks to predict many-body interactions in amorphous materials
यह शोध पत्र यह प्रदर्शित करता है कि इक्विवेरिएंट ग्राफ न्यूरल नेटवर्क NequIP, क्लासिकल डेंसिटी फंक्शनल थ्योरी से सीखकर, विलायक-मुक्त पॉलीमर-ग्राफ्टेड नैनोपार्टिकल्स में मल्टी-बॉडी इंटरैक्शन की सटीक और कुशल भविष्यवाणी कर सकता है, जो केवल आउट-ऑफ-इक्विलिब्रियम कॉन्फ़िगरेशन पर प्रशिक्षित होने के बावजूद प्रयोगिक रूप से सुसंगत इक्विलिब्रियम संरचनाओं की खोज को सक्षम बनाता है।
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
एक कमरे में लोगों की भीड़ की कल्पना करें, जिनमें से प्रत्येक ने एक विशाल, रोएंदार, लचीला कोट पहना हुआ है। ये कोट इतने बड़े हैं कि वे कमरे के हर खाली स्थान को भर देते हैं। अब, उस एक व्यक्ति को हिलाने की कोशिश करने की कल्पना करें। क्योंकि उनका कोट बाकी सभी के साथ उलझा हुआ है, आप बस एक तरफ नहीं हट सकते; आपको अपने पड़ोसियों के कोटों को धक्का देना, खींचना और जगह बनाने के लिए उन्हें फिर से व्यवस्थित करना होगा। यह कुछ वैसा ही है जैसा कि "सॉल्वेंट-फ्री पॉलीमर-ग्राफ्टेड नैनोपार्टिकल्स" (PGNs) नामक एक विशेष प्रकार के पदार्थ में होता है।
इन सामग्रियों में, छोटे ठोस कोर (लोग) लंबी पॉलीमर श्रृंखलाओं (कोट) से ढके होते हैं। जब इनके बीच कोई तरल विलायक (लिक्विड सॉल्वेंट) नहीं होता है, तो ये श्रृंखलाएं बाहर की ओर खिंचने के लिए मजबूर होती हैं और हर खाली जगह को भर देती हैं, जिससे एक तंग, आपस में जुड़ी हुई जाल जैसी संरचना बन जाती है। एक कण को हिलाने के लिए कई पड़ोसियों के साथ एक जटिल, समन्वित नृत्य की आवश्यकता होती है। वैज्ञानिक इसे "मेनी-बॉडी इंटरैक्शन" (many-body interactions) कहते हैं, और ये गणना करने में बहुत कठिन होते हैं क्योंकि ये केवल सरल दूरी पर नहीं, बल्कि भीड़ के सटीक आकार और कोण पर निर्भर करते हैं।
समस्या: एक ऊबड़-खाबड़ पर्वत श्रृंखला
इन सामग्रियों के व्यवहार को समझने के लिए, वैज्ञानिकों को उनके "पोटेंशियल एनर्जी लैंडस्केप" (PEL) का मानचित्र बनाने की आवश्यकता होती है। इस परिदृश्य (लैंडस्केप) को एक विशाल, ऊबड़-खाबड़ पर्वत श्रृंखला के रूप में सोचें।
- उच्च-ऊर्जा वाले स्थान: ये ऊंचे, नुकीले शिखरों की तरह हैं जहाँ कण असहज रूप से दबे हुए होते हैं (जैसे कोट बहुत कसकर खिंचे हुए हों)।
- निम्न-ऊर्जा वाले स्थान: ये गहरे, चिकने घाटियों की तरह हैं जहाँ कण खुश और शांत होते हैं।
पारंपरिक रूप से, इस पर्वत श्रृंखला के हर बिंदु की ऊंचाई की गणना करना दुनिया की हर पहाड़ी पर चढ़ने जैसा है। इसमें इतनी अधिक कंप्यूटर शक्ति लगती है कि वैज्ञानिक आमतौर पर समस्या को सरल बना देते हैं, यह मानकर कि कण केवल अपने निकटतम पड़ोसियों के साथ परस्पर क्रिया करते हैं (जैसे एक साधारण हाथ मिलाना)। लेकिन इन कोमल सामग्रियों में, यह सरलीकरण पूरी कहानी को छोड़ देता है क्योंकि उनके "कोट" जटिल, बहु-व्यक्तिगत अंतःक्रियाएं पैदा करते हैं।
समाधान: एक स्मार्ट AI गाइड
शोधकर्ताओं ने इस समस्या को हल करने के लिए एक प्रकार के आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग किया जिसे ग्राफ न्यूरल नेटवर्क (GNN) कहा जाता है, विशेष रूप से NequIP नामक एक मॉडल।
NequIP को एक अत्यंत बुद्धिमान गाइड के रूप में सोचें जिसे पर्वत श्रृंखला की हजारों तस्वीरें दिखाई गई हैं, जो इसके सबसे अराजक, उच्च-ऊर्जा वाले अवस्थाओं (नुकीले शिखरों) में ली गई हैं। यह गाइड इलाके के नियमों को सीखता है: "यदि कोट इस तरह खिंचे हुए हैं, तो ऊर्जा बढ़ जाती है; यदि वे उस तरह उलझे हुए हैं, तो ऊर्जा कम हो जाती है।"
महत्वपूर्ण बात यह है कि यह AI केवल दो कणों के बीच की दूरी को नहीं देखता है। यह भीड़ की ज्यामिति (geometry) को समझता है। यह जानता है कि यदि तीन कण एक त्रिभुज बनाते हैं, तो ऊर्जा एक सीधी रेखा बनाने की तुलना में अलग होगी। यह अंतःक्रियाओं के "आकार" को सीखता है।
जादुई ट्रिक: शांतिपूर्ण घाटी की भविष्यवाणी करना
इस शोध पत्र का सबसे आश्चर्यजनक हिस्सा यह है: इस AI को केवल अराजक, उच्च-ऊर्जा, "आउट-ऑफ-इक्विलिब्रियम" अवस्थाओं (नुकीले शिखरों) पर प्रशिक्षित किया गया था। इसने कभी भी उन शांतिपूर्ण, निम्न-ऊर्जा वाली घाटियों को नहीं देखा जहाँ पदार्थ स्वाभाविक रूप से स्थिर होता है।
हालाँकि, जब शोधकर्ताओं ने घाटी के निचले हिस्से (इक्विलिब्रियम स्टेट) को खोजने के लिए AI को चलाने के लिए छोड़ा, तो यह सफल रहा।
- परिणाम: AI ने ठीक उन्हीं शांतिपूर्ण संरचनाओं को खोज निकाला जिन्हें वास्तविक प्रयोगों में देखा जाता है।
- उपमा: यह एक हाइकर को केवल एक तूफानी, पथरीले पर्वत शिखर की तस्वीरें दिखाने और फिर उससे उस नीचे स्थित शांत, धूप वाले मैदान को खोजने के लिए कहने जैसा है। भले ही उसने कभी मैदान नहीं देखा, फिर भी वह पहाड़ के नियमों को इतनी अच्छी तरह समझ गया कि वह सीधे वहां तक पहुँच सका।
उन्होंने क्या खोजा?
इस AI का उपयोग करके, शोधकर्ताओं ने पाया कि ये सामग्रियां स्वाभाविक रूप से छोटे, छिपे हुए क्लस्टर बनाती हैं जो इकोसाहेड्रोन (icosahedrons) (20 त्रिकोणीय फलक वाली आकृतियाँ, जैसे कि एक सॉकर बॉल) की तरह दिखते हैं।
- ये आकृतियाँ विशेष हैं क्योंकि वे एक साथ बहुत मजबूती से पैक होती हैं, जिससे पॉलीमर "कोट" बिना उलझे समान रूप से फैल सकते हैं।
- AI ने खुलासा किया कि ये संरचनाएं केवल तभी दिखाई देती हैं जब सामग्री अपनी विश्राम अवस्था (इक्विलिब्रियम स्टेट) में होती है, न कि तब जब उसे उकसाया या हिलाया जा रहा हो।
यह क्यों महत्वपूर्ण है
यह शोध पत्र दिखाता है कि हम इस AI का उपयोग करके इन जटिल, कोमल सामग्रियों के व्यवहार की अविश्वसनीय सटीकता के साथ भविष्यवाणी कर सकते हैं, लेकिन एक ऐसे खर्च पर जो पारंपरिक तरीकों की तुलना में 10,000 गुना सस्ता है।
- हर संभावित अंतःक्रिया की गणना करने में वर्षों बिताने के बजाय, AI कुछ हजार उदाहरणों से "खेल के नियम" सीख लेता है और फिर तुरंत खेल खेलता है।
- यह वैज्ञानिकों को ऊर्जा परिदृश्य के उन गहरे, छिपे हुए घाटियों का पता लगाने की अनुमति देता है तक पहुँचना जो पहले बहुत महंगे थे, जिससे इन कोमल, ग्लास जैसी सामग्रियों की वास्तविक, प्राकृतिक संरचना का पता चलता है।
संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि अराजकता पर प्रशिक्षित एक स्मार्ट AI, व्यवस्था (ऑर्डर) की सटीक भविष्यवाणी कर सकता है, जिससे हमें यह समझने में मदद मिलती है कि जटिल कोमल सामग्रियां अपने सबसे स्थिर रूपों में कैसे स्थिर होती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।