Predicting large-supercell defect formation energies from machine-learning charge density models trained on small supercells

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक विशाल, प्राचीन महल के पूरे फर्श को एक अकेला टूटा हुआ टाइल कैसे प्रभावित करता है। पदार्थ विज्ञान (materials science) की दुनिया में, इन "टूटे हुए टाइल्स" को दोष (defects) कहा जाता है—क्रिस्टल के भीतर गायब परमाणु या गलत जगह पर स्थित परमाणु। ये सूक्ष्म गलतियाँ इस बात को बदल सकती हैं कि कोई सामग्री कितनी बिजली संचालित करती है, चमकती है, या दबाव झेलती है। इन दोषों के प्रभाव को सटीक रूप से समझने के लिए, वैज्ञानिक डेंसिटी-फंक्शनल थ्योरी (DFT) नामक एक शक्तिशाली कंप्यूटर सिमुलेशन टूल का उपयोग करते हैं। DFT को एक सुपर-सटीक डिजिटल माइक्रोस्कोप के रूप में समझें जो सामग्री के प्रत्येक इलेक्ट्रॉन के व्यवहार की गणना करता है। हालाँकि, इसमें एक पेच है: एक एकल दोष की वास्तविक तस्वीर पाने के लिए, आपको क्रिस्टल के एक विशाल हिस्से का सिमुलेशन करना आवश्यक है ताकि "टूटा हुआ टाइल" गलती से स्क्रीन के दूसरी ओर से अपनी ही परछाई से न टकरा जाए। इस विशाल, महंगी सिमुलेशन की आवश्यकता इन दोषों के अध्ययन को अविश्वसनीय रूप से धीमा और महंगा बना देती है, जैसे कि एक गड्ढे को खोजने के लिए पूरे शहर का मानचित्र बनाना।

हाल ही में, वैज्ञानिकों ने इसे तेज करने के लिए मशीन लर्निंग का उपयोग करने की कोशिश की है, जिसमें कंप्यूटर को शून्य से गणना करने के बजाय उत्तरों का अनुमान लगाना सिखाया जाता है। आमतौर पर, ये कंप्यूटर मॉडल एक सिस्टम की कुल ऊर्जा (total energy) का अनुमान लगाने के लिए प्रशिक्षित होते हैं, जो कि किसी सूटकेस के आकार को देखकर उसके वजन का अनुमान लगाने जैसा है। लेकिन यह शोध पत्र एक अलग दृष्टिकोण का सुझाव देता है: वजन का अनुमान लगाने के बजाय, आइए कंप्यूटर को "चार्ज डेंसिटी" (charge density) देखना सिखाएं। यदि आप कल्पना करें कि सामग्री के भीतर इलेक्ट्रॉन परमाणुओं के चारों ओर घूमते हुए एक कोहरे की तरह हैं, तो चार्ज डेंसिटी इस बात का नक्शा है कि हर स्थान पर वह कोहरा कितना घना या पतला है। लेखक प्रस्तावित करते हैं कि यदि कंप्यूटर इस कोहरे के नक्शे को सटीक रूप से पहचानना सीख लेता है, तो वह एक दोष की ऊर्जा को बहुत अधिक कुशलता से निकाल सकता है, भले ही उसने अपने प्रशिक्षण के दौरान पहेली के केवल छोटे टुकड़ों को देखा हो।

शोधकर्ताओं, फुदान विश्वविद्यालय के जुन्जी झोउ, मेंगलिन हुआंग और शिओयू चेन ने इस विचार का गैलियम नाइट्राइड (GaN) पर परीक्षण किया, जो नीले एलईडी से लेकर पावर इलेक्ट्रॉनिक्स तक हर चीज़ में उपयोग की जाने वाली एक सामग्री है। उन्होंने इस सामग्री में चार विशिष्ट प्रकार के "टूटे हुए टाइल्स" (दोषों) पर ध्यान केंद्रित किया। उनका मुख्य लक्ष्य यह देखना था कि क्या वे छोटे, सस्ते सिमुलेशन पर एक मशीन-लर्निंग मॉडल को प्रशिक्षित कर सकते हैं और फिर इसका उपयोग विशाल, महंगे सिमुलेशन में दोषों के व्यवहार की भविष्यवाणी करने के लिए कर सकते हैं।

यहाँ उन्होंने एक चतुर मोड़ खोजा: उन्होंने मॉडल को केवल एक आकार के सिमुलेशन पर प्रशिक्षित नहीं किया। इसके बजाय, उन्होंने एक "मिश्रित-आकार" (mixed-size) रणनीति का उपयोग किया। उन्होंने कंप्यूटर को एक डेटासेट दिया जिसमें छोटे सुपरसेल्स (16 से 32 परमाणुओं वाले) और कुछ मध्यम-से-बड़े सुपरसेल्स (96 परमाणुओं तक) का मिश्रण था। उन्होंने पाया कि छोटे सेल्स मॉडल को यह सिखाने में बेहतरीन थे कि दोष से दूर "बल्क" (bulk) सामग्री कैसी दिखती है, जबकि थोड़े बड़े सेल्स मॉडल को यह दिखाने के लिए आवश्यक थे कि दोष वास्तव में पास के परमाणुओं को कैसे विकृत करता है। इन विभिन्न आकारों को मिलाकर, उन्होंने एक ऐसा मॉडल बनाया जो एक विशाल 360-परमाणु सुपरसेल में एक दोष की ऊर्जा की सटीक भविष्यवाणी कर सकता है।

परिणाम चौंकाने वाले थे। केवल 96 अलग-अलग संरचनाओं के डेटासेट का उपयोग करके, उनके नए मॉडल ने 0.05 इलेक्ट्रॉन वोल्ट (eV) से कम की त्रुटि के साथ दोषों की फॉर्मेशन एनर्जी (formation energy) की भविष्यवाणी की। इसे समझने के लिए, यदि एक मानक मशीन-लर्निंग मॉडल उसी छोटे डेटा पर प्रशिक्षित होकर सीधे कुल ऊर्जा का अनुमान लगाने की कोशिश करता है, तो वह 1 eV से अधिक की गलतियाँ करता है—जो कि 20 गुना से भी अधिक खराब है। लेखकों ने दिखाया कि यह चार्ज-डेंसिटी दृष्टिकोण कंप्यूटर को छोटे सेल्स से बड़े सेल्स तक अपने ज्ञान को "एक्सट्रपलेशन" (extrapolate) करने या फैलाने में बहुत बेहतर तरीके से सक्षम बनाता है।

उन्होंने यह भी प्रदर्शित किया कि यह विधि केवल ऊर्जा के लिए ही नहीं है। क्योंकि मॉडल चार्ज डेंसिटी मैप की भविष्यवाणी करता है, वे अन्य इलेक्ट्रॉनिक गुणों की गणना कर सकते हैं, जैसे कि वे ऊर्जा स्तर जहाँ इलेक्ट्रॉन फंस जाते हैं (डिफेक्ट लेवल्स) और सामग्री कैसे घूमती है (स्पिन पोलराइजेशन)। उदाहरण के लिए, उन्होंने एक विशिष्ट दोष में स्पिन-स्प्लिटिंग (spin-splitting) की सही भविष्यवाणी की, एक ऐसा विवरण जिसे छोटे सिमुलेशन पूरी तरह से मिस कर गए थे क्योंकि उस छोटे बॉक्स में "टूटा हुआ टाइल" अपनी ही परछाई के बहुत करीब था।

पेपर यह तर्क देता है कि यह सफलता इसलिए मिलती है क्योंकि चार्ज डेंसिटी एक स्थानीय गुण (local property) है। यदि कंप्यूटर एक छोटे बॉक्स में गायब परमाणु के आसपास के इलेक्ट्रॉन कोहरे के स्वरूप को सीख लेता है, तो वह एक विशाल बॉक्स में भी उसी पैटर्न को पहचान सकता है, बशर्ते उसने विभिन्न दूरियों पर कोहरा कैसे व्यवहार करता है, इसके पर्याप्त उदाहरण देखे हों। यह कुल ऊर्जा के विपरीत है, जो बॉक्स में मौजूद सब कुछ का एक वैश्विक योग (global sum) है और यदि बॉक्स बहुत छोटा है तो गड़बड़ा जाता है।

निष्कर्षतः, लेखक सुझाव देते हैं कि छोटे और मध्यम आकार के सुपरसेल्स के स्मार्ट मिश्रण पर प्रशिक्षण देकर और केवल कुल ऊर्जा के बजाय चार्ज डेंसिटी मैप पर ध्यान केंद्रित करके, वैज्ञानिक दोषों का अनुकरण करने की लागत को काफी कम कर सकते हैं। उन्होंने पाया कि इस मिश्रित-आकार दृष्टिकोण ने केवल बड़े सुपरसेल्स का उपयोग करने की तुलना में कम्प्यूटेशनल लागत को 6.2 के कारक से कम कर दिया, जबकि उच्च सटीकता बनाए रखी। इसका मतलब यह नहीं है कि ब्रह्मांड की हर सामग्री के लिए समस्या हल हो गई है, लेकिन यह बड़े सुपरसेल्स में दोष कैसे व्यवहार करते हैं, इसकी भविष्यवाणी करने के लिए एक डेटा-कुशल मार्ग प्रदान करता है, जो हमारे इलेक्ट्रॉनिक्स के लिए बेहतर सामग्री की खोज को संभावित रूप से तेज कर सकता है।