← नवीनतम पेपर
🔬 physics

MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials

यह शोध पत्र MLIPilot को प्रस्तुत करता है, जो एक ऑटो-रिसर्च फ्रेमवर्क है जहाँ टूल-कॉलिंग लार्ज लैंग्वेज मॉडल्स, सख्त भौतिक बाधाओं के तहत कोड परिवर्तनों का प्रस्ताव देकर और HPC जॉब्स को प्रबंधित करके मशीन-लर्नड इंटरएटॉमिक पोटेंशियल को स्वायत्त रूप से अनुकूलित करते हैं, और विविध आणविक एवं आवधिक बेंचमार्क पर प्रारंभिक अस्थिर बेसलाइन्स को सफलतापूर्वक प्रोडक्शन-क्वालिटी मॉडल्स में परिवर्तित करते हैं।

मूल लेखक: Etinosa Osaro, Santosh Adhikari, Stamatia Zavitsanou, Kelsey Parker, Dario Rocca

प्रकाशित 2026-06-01
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Etinosa Osaro, Santosh Adhikari, Stamatia Zavitsanou, Kelsey Parker, Dario Rocca

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 रोबोट शेफ को एक आदर्श भोजन बनाना सिखाने की कोशिश कर रहे हैं। लेकिन यह सिर्फ कोई साधारण भोजन नहीं है; यह एक ऐसा व्यंजन है जो इतना जटिल है कि यदि तापमान एक डिग्री भी ऊपर-नीचे हुआ, तो पूरा किचन धमाके के साथ उड़ जाएगा।

विज्ञान की दुनिया में, यह "रोबोट शेफ" एक कंप्यूटर प्रोग्राम है जो परमाणुओं (atoms) के व्यवहार की भविष्यवाणी करने की कोशिश कर रहा है (एक Machine-Learned Interatomic Potential, या MLIP)। यह "भोजन" सामग्रियों का एक सिमुलेशन (simulation) है। समस्या यह है कि इसे सही करना अविश्वसनीय रूप से कठिन है। आपको सिमुलेशन को सटीक बनाना होगा, लेकिन साथ ही इसे स्थिर (stable) भी होना चाहिए (ताकि यह क्रैश न हो), और यह उपयोगी होने के लिए पर्याप्त तेज़ भी होना चाहिए। आमतौर पर, वैज्ञानिकों को यह समझने में वर्षों बिताने पड़ते हैं कि क्या काम करता है और क्या नहीं, और वे कोड को हाथ से बार-बार ट्यून करते हैं।

मिलिए MLIPilot से।

यह शोध पत्र MLIPilot को पेश करता है, एक नया सिस्टम जहाँ एक "अति-बुद्धिमान" AI (एक Large Language Model) एक स्वायत्त शोधकर्ता (autonomous researcher) के रूप में कार्य करता है। एक मानव वैज्ञानिक के अंदाज़ लगाने के बजाय, AI को उपकरणों का एक सेट और एक सख्त नियम पुस्तिका दी जाती है, और उसे निर्देश दिया जाता है: "इस रेसिपी को तब तक ठीक करो जब तक यह परफेक्ट न हो जाए।"

यह कैसे काम करता है, इसके सरल उदाहरण यहाँ दिए गए हैं:

1. "सख्त जज" (स्कोरकार्ड)

अधिकांश AI प्रयोगों में, कंप्यूटर बस एक उच्च स्कोर प्राप्त करने की कोशिश करता है। लेकिन विज्ञान में, एक उच्च स्कोर पर्याप्त नहीं है यदि परिणाम खतरनाक हो।

  • उदाहरण: कल्पना कीजिए कि ड्राइविंग टेस्ट चल रहा है। आप बहुत तेज़ गाड़ी चला सकते हैं (उच्च स्कोर), लेकिन यदि आप रेड लाइट तोड़ देते हैं, तो आप तुरंत फेल हो जाते हैं, चाहे आपकी गति कितनी भी अधिक क्यों न हो।
  • पेपर में: MLIPilot एक "भौतिक रूप से नियंत्रित स्कोरकार्ड" (physically constrained scorecard) का उपयोग करता है। इसमें Hard Gates हैं। यदि AI एक ऐसा मॉडल बनाता है जो सटीक तो है लेकिन जिसके कारण परमाणु बिखर जाते हैं (सिमुलेशन में "धमाका"), तो सिस्टम उसे तुरंत खारिज कर देता है। AI सिस्टम को धोखा नहीं दे सकता; उसे क्रेडिट पाने से पहले सुरक्षा नियमों को पूरा करना ही होगा।

2. "स्वायत्त शेफ" (The Autonomous Chef - AI Agent)

AI (जिसका परीक्षण GPT-5.5, GPT-4.1 और Mistral जैसे ओपन-सोर्स मॉडल्स के साथ किया गया) केवल नंबरों का अनुमान नहीं लगाता। यह कोड पढ़ता है, रेसिपी को एडिट करता है, और सिमुलेशन चलाता है।

  • प्रक्रिया:
    1. प्रस्ताव (Propose): AI कहता है, "मुझे लगता है कि यदि हम ऊर्जा मापने के तरीके को बदल दें, तो यह बेहतर काम करेगा।"
    2. एडिट (Edit): यह वास्तव में कोड की नई लाइनें लिखता है।
    3. टेस्ट (Test): यह सुपरकंप्यूटर पर सिमुलेशन चलाता है।
    4. जज (Judge): "सख्त जज" परिणामों की जांच करता है।
    5. निर्णय (Decide): यदि यह सुरक्षा गेट्स को पार कर लेता है और स्कोर में सुधार करता है, तो बदलाव को रख लिया जाता है। यदि नहीं, तो सिस्टम "Undo" करता है और पिछले वर्जन पर वापस चला जाता है।

3. "अहा!" क्षण (वैज्ञानिक तर्क)

सबसे रोमांचक हिस्सा यह है कि AI ने केवल नंबरों को नहीं बदला; इसने ऐसी नई रणनीतियों की खोज की जो शायद इंसान चूक जाते।

  • QM7 चुनौती (द "आउटलियर" समस्या): AI को बहुत विविध अणुओं वाला एक डेटासेट दिया गया। मानक रेसिपी विफल रही।
    • मानव दृष्टिकोण: शायद लर्निंग रेट (learning rate) को बदलें?
    • AI दृष्टिकोण (GPT-5.5): "यह डेटासेट अजीब है। चलिए मॉडल के आकार को ही बदल देते हैं।" AI ने मॉडल का एक नया संस्करण बनाया जिसे ScaleShiftMACE कहा गया और त्रुटियों (errors) की गणना के लिए उपयोग किए जाने वाले गणित को बदल दिया (एरर हैंडल करने के लिए Huber loss पर स्विच किया)। यह ऐसा था जैसे शेफ को एहसास हुआ, "यह सूप नहीं है; यह एक स्टू (stew) है, इसलिए मुझे एक अलग बर्तन की आवश्यकता है।"
  • Cu EMT चुनौती (द "धैर्य" समस्या): यहाँ, AI ने महसूस किया कि मॉडल को बस सीखने के लिए अधिक समय चाहिए। इसने प्रशिक्षण के समय को 50 स्टेप्स से बढ़ाकर धीरे-धीरे 2,000 स्टेप्स कर दिया, और मॉडल को लगभग पूर्ण सटीकता तक परिष्कृत किया।

4. परिणाम: कौन जीता?

शोधकर्ताओं ने चार अलग-अलग "शेफ" (AI मॉडल्स) का परीक्षण किया:

  • GPT-5.5: स्पष्ट विजेता। यह सबसे रचनात्मक था, इसने कोड की वास्तविक संरचना को बदला और नए गणितीय ट्रिक्स की खोज की। इसने "आउट ऑफ द बॉक्स" सोचकर सबसे कठिन समस्याओं को हल किया।
  • Mistral-24B: एक छोटा, ओपन-सोर्स मॉडल। इसने नए ट्रिक्स का आविष्कार नहीं किया, लेकिन यह अविश्वसनीय रूप से दृढ़ था। इसने एक ही रणनीति (अधिक समय तक ट्रेनिंग) को तब तक आज़माया जब तक कि वह सफल नहीं हुई, और एक प्रसिद्ध मॉडल (GPT-4.1) को एक कार्य में हरा दिया।
  • GPT-4.1 और Qwen3: इन मॉडल्स ने मुख्य रूप से केवल नंबरों को ट्यून किया (जैसे तापमान को थोड़ा बदलना) बजाय इसके कि वे खुद रेसिपी को बदलें। उन्होंने सुधार तो किया, लेकिन शीर्ष प्रदर्शन करने वालों की तरह नाटकीय रूप से नहीं।

मुख्य निष्कर्ष

यह पेपर दावा करता है कि AI अब इस विशिष्ट प्रकार की भौतिक समस्या के लिए एक "सेल्फ-ड्राइविंग साइंटिस्ट" के रूप में कार्य कर सकता है।

  • यह केवल आदेशों का पालन नहीं करता; यह परिकल्पना करता है, परीक्षण करता है, विफल होता है, सीखता है और फिर से प्रयास करता है।
  • यह समझता है कि सुरक्षा (स्थिरता) केवल उच्च स्कोर प्राप्त करने से अधिक महत्वपूर्ण है।
  • यह दिखाता है कि "सर्वश्रेष्ठ" AI हमेशा सबसे बड़ा नहीं होता; कभी-कभी, वह जो अधिक रचनात्मक रूप से सोचता है या अधिक दृढ़ रहता है, वही जीतता है।

संक्षेप में, MLIPilot एक ऐसा सिस्टम है जो AI को परमाणु सिमुलेशन बनाने के उबाऊ, खतरनाक और दोहराव वाले 'ट्रायल-एंड-एरर' के काम करने की अनुमति देता है, जिससे मानव वैज्ञानिकों को बड़े सवाल पूछने के लिए मुक्त किया जा सके जबकि AI इंजीनियरिंग संभालता है।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🔬 physics →