From Local Structure to Thermodynamics and Transport of Water with Machine Learning Force Fields

कल्पना कीजिए कि आप एक व्यस्त रेलवे स्टेशन में लोगों की भीड़ के चलने के तरीके का अनुमान लगाने की कोशिश कर रहे हैं। यदि आप केवल यह जानते हैं कि हर कोई निकास (exit) की ओर जाने की कोशिश कर रहा है, तो आप अनुमान लगा सकते हैं कि वे सीधे वहां की ओर दौड़ेंगे। लेकिन वास्तव में, लोग बात करने के लिए रुकते हैं, एक-दूसरे से टकराते हैं, छोटे समूहों में बनते हैं, और कभी-कभी जाम में फंस जाते हैं। विज्ञान की दुनिया में, पानी वही भीड़ है। यह केवल एक साधारण तरल नहीं है; यह सूक्ष्म अणुओं का एक अराजक, नृत्य करता हुआ नेटवर्क है जो हाइड्रोजन बॉन्ड नामक अदृश्य "चिपचिपे" बलों के माध्यम से एक-दूसरे का हाथ थामे हुए है। ये बंधन ही पानी को अजीब बनाते हैं: यह जमने पर फैलता है, यह बहुत अधिक गर्मी रोक सकता है, और यह उन तरीकों से चलता है जो वैज्ञानिकों को आश्चर्यचकित कर देते हैं।

पानी को समझने के लिए, वैज्ञानिक कंप्यूटर सिमुलेशन का उपयोग करते हैं। इन्हें डिजिटल फिल्मों के रूप में सोचें जहाँ वे पानी के अणुओं के बीच परस्पर क्रिया के नियम प्रोग्राम करते हैं। लंबे समय तक, उन्होंने "क्लासिकल" नियमों का उपयोग किया—जैसे कि बोर्ड गेम के नियम सेट करना। लेकिन ये नियम अक्सर बहुत सरल होते हैं; वे उस सूक्ष्म, क्वांटम-मैकेनिकल "जादू" को छोड़ देते हैं जो परमाणुओं के करीब आने पर होता है। हाल ही में, वैज्ञानिकों ने "मशीन लर्निंग फोर्स फील्ड्स" (ML-FFs) का उपयोग करना शुरू किया है। ये सुपर-स्मार्ट AI कोचों की तरह हैं जो वास्तविक क्वांटम भौतिकी सिमुलेशन को देखकर खेल के नियम सीखते हैं। बड़ा सवाल यह है कि: यदि आप AI को अलग-अलग क्वांटम पाठ्यपुस्तकों (जिन्हें "फंक्शनल्स" कहा जाता है) से सिखाते हैं, तो क्या वह एक ही नृत्य सीखेगा, या वह एक बिल्कुल नया, अजीब रूटीन बना लेगा? यह महत्वपूर्ण है क्योंकि यदि हमारा डिजिटल पानी वास्तविक पानी की तरह व्यवहार नहीं करता है, तो बैटरी के काम करने से लेकर हमारे शरीर के भोजन पचाने तक, सब कुछ के बारे में हमारी भविष्यवाणियां गलत हो सकती हैं।

डिजिटल वॉटर डांस: AI को नियम सही ढंग से सिखाना

इस अध्ययन में, शोधकर्ताओं की एक टीम ने सात अलग-अलग "क्वांटम पाठ्यपुस्तकों" को परखने का निर्णय लिया। उन्होंने सात अलग-अलग AI कोचों (मशीन लर्निंग फोर्स फील्ड्स) को प्रशिक्षित किया ताकि वे कमरे के तापमान पर तरल पानी के व्यवहार की भविष्यवाणी कर सकें। प्रत्येक AI को क्वांटम मैकेनिक्स से प्राप्त गणितीय नियमों (एक्सचेंज-कोरिलेशन फंक्शनल्स) के एक अलग सेट का उपयोग करके सिखाया गया था। लक्ष्य यह देखना था कि कौन सा AI पानी के अणुओं के वास्तविक, अव्यवस्थित और सुंदर नृत्य को सबसे अच्छी तरह से नकल कर सकता है, चाहे वह उनके आपस में जुड़ने का तरीका हो या उनके बहने की गति।

शोधकर्ताओं ने केवल पानी को नहीं देखा; उन्होंने नृत्य की संरचना को देखा। उन्होंने "पेयर कोरिलेशन फंक्शन" (pair correlation function) की जांच की, जो एक फैंसी तरीका है यह पूछने का: "यदि मैं एक पानी के अणु पर खड़ा हूँ, तो अन्य अणु कहाँ होने की संभावना है?" उन्होंने इस बात को भी देखा कि अणु कैसे उन्मुख (oriented) थे—क्या वे बर्फ जैसे पूर्ण त्रिकोण बना रहे थे, या वे अधिक अराजक थे? अंत में, उन्होंने "एक्सेस एंट्रॉपी" (excess entropy) को मापा, जो एक संख्या है जो हमें बताती है कि सिस्टम कितना अव्यवस्थित है। उच्च अव्यवस्था का अर्थ है कि अणु स्वतंत्र रूप से चलने के लिए स्वतंत्र हैं; कम अव्यवस्था (या "ओवर-स्ट्रक्चरिंग") का अर्थ है कि वे एक कठोर, बर्फ जैसी संरचना में फंसे हुए हैं।

परिणाम: एक AI ने सही समझा, अन्य फंस गए

परिणाम मिले-जुले थे, जिससे पता चला कि "पाठ्यपुस्तक" का चुनाव सब कुछ बदल देता है।

• अत्यधिक संरचित डांसर (The Over-Structured Dancers): कई AI मॉडल, विशेष रूप से जो "PBE" पाठ्यपुस्तक पर आधारित थे, उन्होंने एक ऐसा नृत्य सीखा जो बहुत अधिक पूर्ण था। उन्होंने पानी के अणुओं को कठोर, बर्फ जैसी संरचनाओं में व्यवस्थित कर दिया। वास्तविक दुनिया में, तरल पानी थोड़ा अव्यवस्थित होता है; इसमें अंतराल और उलझी हुई जगहें होती हैं। लेकिन इन AI ने एक ऐसा "जमा हुआ" तरल बनाया जो बहुत अधिक व्यवस्थित था। इससे एक बड़ी समस्या पैदा हुई: इन मॉडलों ने भविष्यवाणी की कि पानी बहुत धीरे बहेगा (उच्च श्यानता/viscosity) और बहुत सुस्त गति से चलेगा (कम विसरण/diffusion), जैसे कि अणु आपस में चिपके हुए हों।

• "RPBE-D3" चैंपियन: एक मॉडल, जिसे RPBE-D3 फंक्शनल के साथ प्रशिक्षित किया गया था, सबसे अलग रहा। यह एकमात्र मॉडल था जिसने घनत्व (density), संरचना और प्रवाह दर (flow rate) को लगभग सटीक रूप से सही पकड़ा। इसने भविष्यवाणी की कि पानी के अणु एक ऐसा नेटवर्क बनाते हैं जो स्थिर रहने के लिए पर्याप्त व्यवस्थित है, लेकिन स्वतंत्र रूप से बहने के लिए पर्याप्त ढीला भी है। जब शोधकर्ताओं ने इस AI की भविष्यवाणियों की वास्तविक दुनिया के प्रयोगों से तुलना की, तो आंकड़े अविश्वसनीय रूप से मेल खाते थे। उदाहरण के लिए, इसने लगभग 1.969 × 10⁻⁹ m² s⁻¹ का स्व-विसरण गुणांक (self-diffusion coefficient) अनुमानित किया, जो कि प्रयोगात्मक मान 2.3 × 10⁻⁹ m² s⁻¹ के बहुत करीब है।

• "एरर कैंसिलेशन" का जाल (The "Error Cancellation" Trap): दिलचस्प बात यह है कि एक अन्य मॉडल (D3 सुधार के बिना RPBE) ऐसा प्रतीत हुआ जैसे वह सही प्रवाह गति की भविष्यवाणी कर रहा है, लेकिन गलत कारणों से। इसने ऐसे पानी की भविष्यवाणी की जो बहुत फैला हुआ था (कम घनत्व), जिसने गलती से अणुओं को तेजी से चलने में मदद की, जिससे वह प्रभाव रद्द हो गया कि संरचना बहुत कठोर थी। शोधकर्ता चेतावनी देते हैं कि यह एक "जाल" है—यह जीत जैसा दिखता है, लेकिन भौतिकी वास्तव में टूटी हुई है।

गुप्त संबंध: एंट्रॉपी और गति

इस पेपर की सबसे रोमांचक खोजों में से एक "अराजकता" (messiness) और गति के बीच का संबंध है। शोधकर्ताओं ने पाया कि ट्रांसलेशनल एंट्रॉपी (अणुओं के स्थान में हिलने-डुलने का स्तर) और ओरिएंटेशनल एंट्रॉपी (उनके घूमने और मुड़ने का स्तर) के बीच एक गहरा, रैखिक संबंध है।

उन्होंने पाया कि आप केवल यह जानकर भविष्यवाणी कर सकते हैं कि पानी कितनी तेजी से बहेगा कि उसकी संरचना कितनी अव्यवस्थित है। पानी जितना अधिक "ओवर-स्ट्रक्चर्ड" (बहुत अधिक व्यवस्थित) होगा, वह उतना ही धीरे बहेगा। पानी जितना अधिक "डिसऑर्डर्ड" (उचित मात्रा में अराजक) होगा, वह उतना ही तेजी से बहेगा। यह संबंध, जिसे "एक्सेस एंट्रॉपी स्केलिंग" कहा जाता है, उनके द्वारा परीक्षण किए गए सभी मॉडलों में सत्य साबित हुआ। यह यह कहने जैसा है: "यदि डांस फ्लोर बहुत भीड़भाड़ वाला है और हर कोई एक पूर्ण घेरे में हाथ थामे खड़ा है, तो कोई हिल नहीं सकता। यदि हर कोई स्वतंत्र रूप से नाच रहा है, तो कमरा बहता रहेगा।"

AI और पुराने गेम में समानता क्यों थी?

शोधकर्ता यह देखकर हैरान थे कि उनका सबसे अच्छा AI मॉडल (RPBE-D3) एक बहुत पुराने, सरल कंप्यूटर मॉडल की तरह व्यवहार करता है जिसे SPC/E कहा जाता है, जिसका उपयोग दशकों से किया जा रहा है। एक उच्च-तकनीकी AI और एक साधारण 1990 के दशक के गेम मॉडल एक जैसा कैसे व्यवहार कर सकते हैं?

इसका उत्तर "प्रभावी" (effective) बलों में निहित है। भले ही AI जटिल क्वांटम नियमों को सीख रहा था, लेकिन उन नियमों का कुल परिणाम पुराने मॉडल के सरल नियमों के बहुत समान था। विशेष रूप से, दोनों मॉडल समान "प्रभावी आवेश" (effective charges - परमाणु एक-दूसरे को कितना धक्का या खिंचाव देते हैं) और समान "लॉन्ग-रेंज" आकर्षण (वह अदृश्य हाथ जो दूर से अणुओं को खींचता है) के साथ समाप्त हुए। यह पता चला है कि पानी को सही ढंग से नाचने के लिए, आपको आवश्यक रूप से प्रत्येक इलेक्ट्रॉन का पूर्ण क्वांटम विवरण नहीं चाहिए; आपको बस धक्का, खिंचाव और लॉन्ग-रेंज आकर्षण का सही संतुलन चाहिए।

निष्कर्ष

यह अध्ययन दिखाता है कि जब हम AI को पानी का सिमुलेशन सिखाते हैं, तो हमारे द्वारा चुनी गई "पाठ्यपुस्तक" अत्यंत महत्वपूर्ण होती है। यदि हम गलत चुनाव करते हैं, तो हमारे पास बहुत कठोर और बहुत धीमी गति वाला डिजिटल पानी हो सकता है, जिससे बैटरी, इंजन या हमारी अपनी कोशिकाओं में पानी के व्यवहार के बारे में गलत भविष्यवाणियां हो सकती हैं। RPBE-D3 मॉडल अब तक का सबसे अच्छा शिक्षक बनकर उभरा है, जो व्यवस्था और अराजकता के बीच उस नाजुक संतुलन को पकड़ता है जो तरल पानी को इतना अद्वितीय बनाता है। यह सुझाव देता है कि पानी के प्रवाह को समझने के लिए, हमें पहले उसके संरचनात्मक नृत्य को समझना होगा, और थोड़ा सा विकार (disorder) ही वह चीज़ है जो तरल को चलते रहने में मदद करती है।