⚛️ quantum physics

Derivative Informed Learning of Exchange-Correlation Functionals

यह शोध पत्र डेरिवेटिव इन्फॉर्म्ड XC-लॉस (DI-Loss) प्रस्तुत करता है, जो मशीन-लर्नड एक्सचेंज-कोरिलेशन फंक्शनल्स के लिए एक प्रशिक्षण रणनीति है जो कुल ऊर्जा सटीकता में महत्वपूर्ण सुधार करने, सेल्फ-कंसिस्टेंट फील्ड अभिसरण को त्वरित करने और TDDFT में उत्तेजित-अवस्था भविष्यवाणियों को बढ़ाने के लिए संदर्भ हाइब्रिड फंक्शनल्स से प्रथम और द्वितीय ऊर्जा डेरिवेटिव्स को शामिल करता है।

मूल लेखक: Eike S. Eberhard, Luca A. Thiede, Abdul Aldossary, Andreas Burger, Nicholas Gao, Vignesh Bhethanabotla, Alán Aspuru-Guzik, Stephan Günnemann

प्रकाशित 2026-06-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eike S. Eberhard, Luca A. Thiede, Abdul Aldossary, Andreas Burger, Nicholas Gao, Vignesh Bhethanabotla, Alán Aspuru-Guzik, Stephan Günnemann

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 बड़ी तस्वीर: एक छात्र को मास्टर शेफ बनाना

कल्पना कीजिए कि आप एक युवा प्रशिक्षु (एक मशीन लर्निंग मॉडल) को एक बेहतरीन व्यंजन पकाना सिखाने की कोशिश कर रहे हैं। रसायन विज्ञान की दुनिया में, यह "व्यंजन" एक अणु (molecule) की ऊर्जा है।

द दशकों से, वैज्ञानिक "रेसिपी" (जिन्हें फंक्शनल्स कहा जाता है) का उपयोग करके अणुओं के व्यवहार की भविष्यवाणी करने के लिए उपयोग करते रहे हैं। सबसे सटीक रेसिपी उत्कृष्ट कृतियों (gourmet masterpieces) की तरह होती हैं, लेकिन उन्हें पकाने में घंटों लगते हैं (वे बहुत धीमी होती हैं)। तेज़ रेसिपी जल्दी बनाई जा सकती हैं लेकिन अक्सर उनका स्वाद थोड़ा बिगड़ जाता है (वे कम सटीक होती हैं)।

हाल ही में, वैज्ञानिकों ने कंप्यूटर को सीधे डेटा से ये रेसिपी सीखने के लिए प्रशिक्षित करने की कोशिश की। हालाँकि, कंप्यूटर छात्र संघर्ष कर रहे थे। वे व्यंजन के अंतिम स्वाद (कुल ऊर्जा) को तो याद कर सकते थे, लेकिन वे यह नहीं समझ पा रहे थे कि सामग्रियां आपस में कैसे क्रिया करती हैं। परिणामस्वरूप, वे पारंपरिक, धीमी रेसिपी को लगातार मात नहीं दे पा रहे थे।

यह पेपर एक नई शिक्षण पद्धति पेश करता है जिसे DI-Loss (डेरिवेटिव इन्फॉर्म्ड लर्निंग) कहा जाता है। केवल यह पूछने के बजाय कि "क्या व्यंजन अच्छा है?" (अंतिम ऊर्जा की जांच करना), अब शिक्षक पूछता है, "यदि आप चुटकी भर नमक और डालें, तो स्वाद कैसे बदलेगा? और यदि आप थोड़ा और डालें, तो क्या बदलाव होगा?"

मुख्य समस्या: "ब्लैक बॉक्स" बनाम "मानचित्र"

रसायन विज्ञान में, एक अणु की ऊर्जा की गणना करना एक घाटी के निचले हिस्से को खोजने जैसा है।

लक्ष्य: सबसे निचले बिंदु (ग्राउंड स्टेट एनर्जी) को खोजना।
पुराना तरीका: कंप्यूटर एक स्थान का अनुमान लगाता है, ऊंचाई की जांच करता है, और नीचे जाने की कोशिश करता है। यदि वह केवल वर्तमान स्थान पर ऊंचाई जानता है, तो वह एक छोटे से उभार पर फंस सकता है या बिना किसी दिशा के भटक सकता है।
नया तरीका (DI-Loss): यह पेपर कंप्यूटर को केवल ऊंचाई नहीं, बल्कि घाटी के आकार (shape) को समझना सिखाता है।
- प्रथम डेरिवेटिव (ग्रेडिएंट): यह ढलान (slope) जानने जैसा है। "क्या मैं ऊपर की ओर जाने वाली पहाड़ी पर हूँ, या नीचे की ओर जाने वाली? सबसे तीव्र ढलान किस दिशा में है?"
- द्वितीय डेरिवेटिव (हेसियन): यह वक्रता (curvature) जानने जैसा है। "क्या यह एक तीखी V-आकार की घाटी है, या एक चौड़ा, सपाट कटोरा?"

कंप्यूटर को इन ढलानों और वक्रों के बारे में सिखाकर, यह घाटी में बहुत तेज़ी से और अधिक सटीकता से आगे बढ़ना सीख जाता है।

"डिस्टिलेशन" (आविष्करण) प्रक्रिया: मास्टर को संकुचित करना

शोधकर्ताओं ने केवल कंप्यूटर को शून्य से नहीं सिखाया; उन्होंने डिस्टिलेशन (distillation) नामक तकनीक का उपयोग किया।

शिक्षक: एक अत्यधिक सटीक, लेकिन धीमी, "हाइब्रिड" रेसिपी (B3LYP)। यह एक मिशलिन-स्टार शेफ की तरह है जिसे सूप बनाने में 10 घंटे लगते हैं।
छात्र: एक तेज़, "सेमी-लोकल" रेसिपी (मशीन लर्निंग)। यह एक फूड ट्रक शेफ की तरह है जो 10 मिनट में सूप बना सकता है।

आमतौर पर, फूड ट्रक शेफ मिशलिन शेफ की गुणवत्ता का मुकाबला नहीं कर पाता है। लेकिन इस पेपर में, शोधकर्ताओं ने केवल छात्र को अंतिम सूप चखने के लिए नहीं छोड़ा। उन्होंने छात्र को मिशलिन शेफ के हाथों को देखने दिया।

उन्होंने छात्र को दिखाया कि जब कोई सामग्री डाली जाती है, तो शेफ का हाथ कैसे चलता है (प्रथम डेरिवेटिव)।
उन्होंने छात्र को दिखाया कि जब शेफ चम्मच चलाता है, तो वह दबाव को कैसे समायोजित करता है (द्वितीय डेरिवेटिव)।

इन गतिविधियों की नकल करके, छात्र ने केवल अंतिम परिणाम नहीं, बल्कि खाना पकाने के तर्क (logic) को सीखा।

उन्होंने क्या खोजा?

यह पेपर दावा करता है कि इस नई शिक्षण पद्धति का उपयोग करने पर तीन मुख्य चीजें हुईं:

बेहतर स्वाद (सटीकता): छात्र शेफ (ML मॉडल) ने ऐसे सूप बनाए जो मिशलिन शेफ के स्वाद के काफी करीब थे। कुल ऊर्जा की भविष्यवाणी करने में त्रुटि औसतन 66% तक गिर गई।
तेज़ खाना बनाना (दक्षता): क्योंकि छात्र ने घाटी के "ढलान" को बेहतर ढंग से समझा, इसलिए उसे निचले हिस्से तक पहुँचने में कम कदम लगे। जब इन तेज़ मॉडलों का उपयोग धीमे मिशलिन शेफ की गणना शुरू करने के लिए किया गया, तो धीमा शेफ 50% तेज़ी से काम पूरा कर सका। यह धीमे शेफ को एक हेड स्टार्ट देने जैसा है ताकि उसे पार्किंग स्थल से पैदल न चलना पड़े; वह सीधे रसोई के दरवाजे से शुरू कर सके।
प्रतिक्रियाओं की भविष्यवाणी करना (एक्साइटेड स्टेट्स): पेपर में यह भी परीक्षण किया गया कि क्या इससे यह भविष्यवाणी करने में मदद मिली कि जब किसी अणु को "उत्तेजित" (जैसे जब उस पर प्रकाश पड़ता है) किया जाता है तो क्या होता है। चूंकि छात्र ने ऊर्जा घाटी की वक्रता (Hessian) को सीखा था, इसलिए वह इन प्रतिक्रियाओं की भविष्यवाणी करने में बहुत बेहतर था, जिससे त्रुटियां 19% से 35% तक कम हो गईं।

एक नोट कि उन्होंने क्या नहीं किया

यह महत्वपूर्ण है कि जो पेपर वास्तव में कहता है उसी पर टिके रहें:

उन्होंने यह दावा नहीं किया कि यह अभी किसी भी अणु के लिए काम करता है; उन्होंने विशिष्ट आकार के कार्बनिक अणुओं (जैसे कि दवाओं या सामग्रियों में पाए जाने वाले) पर परीक्षण किया।
उन्होंने यह दावा नहीं किया कि यह अभी सभी रसायन विज्ञान को बदल देगा। वे एक विशिष्ट प्रकार की रेसिपी (B3LYP) को एक तेज़ रेसिपी में "डिस्टिल" कर रहे हैं।
उन्होंने यह दावा नहीं किया कि यह सीधे तौर पर बीमारियों को ठीक करने की "क्लिनिकल" समस्या को हल करता है। उन्होंने दावा किया कि यह ड्रग डिस्कवरी में उपयोग की जाने वाली गणनाओं को तेज़ और अधिक सटीक बनाता है।

निचोड़ (Bottom Line)

इस पेपर को एक GPS अपग्रेड के रूप में देखें।

पुराना GPS: "आप मील मार्कर 50 पर हैं। गंतव्य 10 मील दूर है।" (यह आपको बताता है कि आप कहाँ हैं, लेकिन सबसे अच्छा रास्ता नहीं)।
नया GPS (DI-Loss): "आप मील मार्कर 50 पर हैं। सड़क बाईं ओर ढलान वाली है, और आगे का मोड़ तीखा है। अभी बाईं ओर मुड़ें।"

कंप्यूटर को सड़क के आकार (डेरिवेटिव्स) को सिखाकर, शोधकर्ताओं ने "तेज़" रासायनिक गणनाओं को धीमे वाले के लगभग बराबर सटीक बना दिया, जबकि उनकी गति को बरकरार रखा। यह वैज्ञानिकों को उन जटिल सिमुलेशन को चलाने की अनुमति देता है जो पहले उपयोगी होने के लिए बहुत धीमे या गलत थे।

तकनीकी सारांश: व्युत्पन्न सूचित शिक्षण (Derivative Informed Learning) द्वारा विनिमय-सहसंबंध फलन (Exchange-Correlation Functionals)

समस्या विवरण
मशीन-लर्नड (ML) विनिमय-सहसंबंध (XC) फलन पारंपरिक, मानव-निर्मित घनत्व सन्निकटन (DFAs) को सीधे संदर्भ डेटा से सीखकर प्रतिस्थापित करने का लक्ष्य रखते हैं। हालांकि, वर्तमान ML-XC फलन पारंपरिक हाइब्रिड फलनों (जो $O(N^4)$ के रूप में स्केल करते हैं) की तुलना में लगातार बेहतर प्रदर्शन नहीं कर पाते हैं। उच्च-सटीकता वाले तरीकों (जैसे कपल्ड-क्लस्टर थ्योरी या हाइब्रिड फलन) की सटीकता और अर्ध-स्थानीय (semi-local) ML फलनों (जो आमतौर पर $O(N^3)$ स्केल करते हैं) की कम्प्यूटेशनल दक्षता के बीच एक महत्वपूर्ण अंतर मौजूद है। इसके अतिरिक्त, पारंपरिक ML दृष्टिकोण अक्सर केवल स्व-संगत क्षेत्र (SCF) फिक्स्ड पॉइंट पर कुल ऊर्जा और इलेक्ट्रॉन घनत्व की निगरानी करते हैं। यह सीमित पर्यवेक्षण खराब सामान्यीकरण (generalization) और कार्यात्मक की स्थानीय प्रतिक्रिया गुणों (local response properties) को पकड़ने में विफलता का कारण बन सकता है, जो उत्तेजित अवस्था गणनाओं (excited-state calculations) और SCF स्थिरता के लिए महत्वपूर्ण हैं।

लेखक एक हाइब्रिड-डिस्टिलेशन सेटिंग प्रस्तावित करते हैं जहाँ कम लागत वाले, $O(N^3)$ स्केलिंग वाले ML-XC फलनों को एक पारंपरिक $O(N^4)$ हाइब्रिड फलन (विशेष रूप से B3LYP/def2-SVP) के लक्ष्यों को पुनरुत्पादित करने के लिए प्रशिक्षित किया जाता है। मुख्य नवाचार व्युत्पन्न सूचित XC-लॉस (DI-Loss) की शुरूआत है।

केवल ऊर्जा ( $E$ ) और घनत्व ( $\rho$ ) की निगरानी करने के बजाय, DI-Loss संदर्भ फलन से प्राप्त अतिरिक्त जानकारी को शामिल करता है, जो इलेक्ट्रॉन घनत्व के सापेक्ष ऊर्जा के प्रथम और द्वितीय फलन व्युत्पन्न (first and second functional derivatives) की निगरानी करता है। ये व्युत्पन्न स्वीकार्य, भौतिक रूप से वैध (idempotent) घनत्व मैट्रिसेस के ग्रासमैनियन मैनिफोल्ड (Grassmannian manifold) पर गणना किए जाते हैं।

कुल लॉस फंक्शन को इस प्रकार परिभाषित किया गया है:
$L_{DI} = \alpha_E L_E + \alpha_\rho L_\rho + \alpha_\nabla L_\nabla + \alpha_H L_H$
जहाँ:

$L_E$ : कुल ऊर्जा का माध्य वर्ग त्रुटि (Mean Squared Error)।
$L_\rho$ : वास्तविक स्थान (real-space) घनत्व त्रुटि का प्रति-इलेक्ट्रॉन $L_1$ नॉर्म।
$L_\nabla$ : ग्रेडिएंट लॉस, जो SCF प्रक्षेपवक्र (trajectory) के साथ प्रथम व्युत्पन्न (ऑर्बिटल रोटेशन एंगल्स) की निगरानी करता है। यह पोटेंशियल के ऑक्यूपाइड-वर्चुअल ब्लॉक को नियंत्रित करता है, जो SCF अपडेट को संचालित करता है।
$L_H$ : हेसियन लॉस, जो साम्यावस्था घनत्व पर द्वितीय व्युत्पन्न (वक्रता/curvature) की निगरानी करता है। पूर्ण हेसियन को भौतिक रूप से बनाने की अत्यधिक लागत से बचने के लिए, लेखक यादृच्छिक रूप से नमूना लिए गए विक्षोभ दिशाओं (perturbation directions) के साथ हेसियन-वेक्टर उत्पादों (HVPs) का उपयोग करते हैं। इन दिशाओं को ऑर्बिटल ऊर्जा अंतराल ( $\delta\theta_{ia} \propto z_{ia}/(\epsilon_a - \epsilon_i)$ ) के व्युत्क्रम द्वारा भारित किया जाता है, जो उन लो-गैप ट्रांज़िशनों पर ध्यान केंद्रित करता है जो रैखिक प्रतिक्रिया (linear response) और TDDFT उत्तेजन ऊर्जाओं को प्रभावित करते हैं।

SCF सॉल्वर (जिसे एक डीप इक्विलिब्रियम मॉडल के रूप में देखा जाता है) के माध्यम से एंड-टू-एंड प्रशिक्षण की अस्थिरता को संबोधित करने के लिए, लेखक एक अनुकूली प्रशिक्षण स्थिरीकरण (adaptive training stabilization) तंत्र का उपयोग करते हैं। यह प्रति युग (epoch) लॉस में सापेक्ष परिवर्तन के आधार पर एक मेट्रोपोलिस-प्रेरित 'एसेप्ट-रिजेक्ट' (accept-reject) योजना का उपयोग करता है ताकि अस्थिर पैरामीटर अपडेट को रोका जा सके, जिससे प्री-कन्वर्ज्ड डेंसिटी की आवश्यकता के बिना एक सरल एकल-चरण ग्रेडिएंट-आधारित प्रशिक्षण प्रक्रिया संभव होती है।

प्रमुख योगदान

DI-Loss फॉर्मूलेशन: ग्रासमैनियन मैनिफोल्ड पर ऊर्जा, घनत्व और उनके प्रथम एवं द्वितीय व्युत्पन्न की निगरानी करने वाले एक मिश्रित लॉस फंक्शन की शुरूआत, जो सीखे गए फलन के स्थानीय प्रतिक्रिया को लक्ष्य के साथ संरेखित करती है।
डिस्टिलेशन फ्रेमवर्क: एक $O(N^4)$ हाइब्रिड फलन (B3LYP) को $O(N^3)$ अर्ध-स्थानीय और गैर-स्थानीय ML फलनों (NNmGGA, XCdiff, Skala-mGGA, और EG-XC) में सफलतापूर्वक डिस्टिल करने का प्रदर्शन।
प्रशिक्षण स्थिरता: एक मजबूत, एकल-चरण प्रशिक्षण प्रोटोकॉल जो एंड-टू-एंड लर्निंग के दौरान SCF अभिसरण (convergence) को स्थिर करता है, जिससे पूर्व कार्य में उपयोग किए जाने वाले मल्टी-स्टेज प्रशिक्षण या प्री-कन्वर्ज्ड इनिशियलाइजेशन की आवश्यकता समाप्त हो जाती है।
व्यापक मूल्यांकन: चार आर्किटेक्चरों का एक व्यवस्थित मूल्यांकन, जो न केवल ग्राउंड-स्टेट ऊर्जा बल्कि घनत्व मेट्रिक्स, SCF अभिसरण व्यवहार और उत्तेजित अवस्था भविष्यवाणियों (TDDFT) का भी विश्लेषण करता है।

परिणाम

ऊर्जा मेट्रिक्स: चार मूल्यांकित आर्किटेक्चरों में, DI-Loss लगातार कुल ऊर्जा सटीकता में सुधार करता है। समान रूप से औसत निकालने पर, ऊर्जा और घनत्व पर्यवेक्षण के सापेक्ष कुल-ऊर्जा का MAE 66% तक कम हो जाता है। Skala-mGGA और EG-XC आर्किटेक्चर के लिए, MAE ~15.8 mEh से घटकर क्रमशः ~3.6 mEh और ~3.1 mEh हो जाता है।
घनत्व मेट्रिक्स: घनत्व-संवेदनशील मीन-फील्ड ऊर्जा मेट्रिक ( $E_\rho$ ) औसत रूप से 1.2 से 0.8 mEh तक सुधरता है। हालांकि, प्रत्यक्ष घनत्व मेट्रिक्स (डाइपोल एरर $\mu_\rho$ और $L_2$ घनत्व एरर) सभी आर्किटेक्चरों में समान रूप से नहीं सुधरते; वे अर्ध-स्थानीय मॉडलों के लिए बेसलाइन के करीब रहते हैं लेकिन गैर-स्थानीय EG-XC मॉडल के लिए बेहतर होते हैं।
SCF त्वरण: डिस्टिल किए गए फलनों द्वारा उत्पन्न घनत्व, बाद के B3LYP गणनाओं के लिए प्रभावी प्रारंभिक अनुमान (initial guesses) के रूप में कार्य करते हैं। यह मानक MINAO इनिशियलाइज़ेशन की तुलना में B3LYP अभिसरण के लिए आवश्यक SCF पुनरावृत्तियों (iterations) की संख्या को 50% तक कम कर देता है। इससे 35-भारी-परमाणु वाले अणु के लिए 1.35× वॉलटाइम स्पीडअप मिलता है, जिसमें बड़े सिस्टमों में, जहाँ सटीक एक्सचेंज का $O(N^4)$ खर्च हावी होता है, और भी अधिक लाभ की संभावना है।
उत्तेजित-अवस्था भविष्यवाणियाँ (TDDFT): हेसियन पर्यवेक्षण उत्तेजन ऊर्जाओं के पूर्वानुमान में महत्वपूर्ण सुधार करता है। TDDFT गणनाओं में, केवल ऊर्जा और घनत्व पर्यवेक्षण वाले मॉडलों की तुलना में औसत उत्तेजन-ऊर्जा MAE में 19–35% की कमी आती है। सुधार उच्च उत्तेजित अवस्थाओं और आउट-ऑफ-डिस्ट्रीब्यूशन अणुओं के लिए सबसे स्पष्ट हैं।

महत्ता और दावे
यह शोध दावा करता है कि ग्रासमैनियन मैनिफोल्ड पर ऊर्जा फलन के व्युत्पन्न की निगरानी करना केवल ग्राउंड-स्टेट ऊर्जा के बेहतर फिट से कहीं अधिक है। यह एक रेगुलराइज़र के रूप में कार्य करता है जो ऊर्जा परिदृश्य (energy landscape) को आकार देता है, जिससे स्व-संगत घनत्व, ऑर्बिटल गैप और प्रतिक्रिया गुणों को प्रभावित करने वाली दिशाओं में फलन के व्यवहार में सुधार होता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण ऐसे ML-XC फलन बनाने में सक्षम बनाता है जो अर्ध-स्थानीय विधियों के अनुकूल $O(N^3)$ स्केलिंग को बनाए रखते हुए हाइब्रिड्स की सटीकता को कैप्चर करते हैं। वे नोट करते हैं कि हालांकि वर्तमान कार्य क्लोज्ड-शेल ऑर्गेनिक मॉलिक्यूल्स और B3LYP के डिस्टिलेशन तक सीमित है, यह पद्धति सामान्यीकरण योग्य है। वे सुझाव देते हैं कि DI-Loss रेंज-सेपरेटेड या डबल-हाइब्रिड फलनों पर कुशल प्री-ट्रेनिंग को सुगम बना सकता है, जिसके बाद उच्च-सटीकता वाले लक्ष्यों जैसे कि CCSD(T) पर फाइन-ट्यूनिंग की जा सकती है, जो संभावित रूप से कम्प्यूटेशनल लागत और सटीकता के बीच के अंतर को पाट सकता है। यह कार्य पिछले ML-XC साहित्य में एक मूल्यांकन अंतराल को भी संबोधित करता है, जो एक मजबूत, एकल-चरण प्रशिक्षण प्रक्रिया प्रदान करता है जो निष्पक्ष क्रॉस-आर्किटेक्चर तुलना की अनुमति देता है।