Truncated automatic sparse differentiation for machine learning interatomic potentials

परमाणु पदार्थ के मूलभूत निर्माण खंड हैं, लेकिन वे शायद ही कभी स्थिर होते हैं। धातु के एक ठोस टुकड़े या एक छिद्रपूर्ण क्रिस्टल में, ये परमाणु लगातार कंपन करते हैं, एक जटिल, सामूहिक लय में एक-दूसरे के विरुद्ध हिलते-डुलते रहते हैं। यह समझने के लिए कि कोई सामग्री कैसे व्यवहार करती है—कि वह ऊष्मा का संचालन कैसे करती है, कैसे कंपन करती है, या तनाव के प्रति कैसी प्रतिक्रिया दे सकती है—वैज्ञानिकों को उन अदृश्य बलों का मानचित्र बनाना चाहिए जो इन परमाणुओं को एक साथ बांधते हैं। इस मानचित्र को 'पोटेंशियल एनर्जी सरफेस' (संभावित ऊर्जा सतह) के रूप में जाना जाता है। दशकों तक, इस मानचित्र को बनाने का सबसे सटीक तरीका क्वांटम मैकेनिक्स रहा है, जो इलेक्ट्रॉनों और नाभिकों के व्यवहार का अत्यंत सटीकता के साथ वर्णन करने वाले नियमों का एक समूह है। हालाँकि, ये गणनाएँ इतनी भारी होती हैं कि वे बड़े सिस्टम के लिए असंभव हो जाती हैं, जैसे कि गैस को संग्रहीत करने या पानी को शुद्ध करने के लिए उपयोग किए जाने वाले विशाल, स्पंज जैसे क्रिस्टल।

इस बाधा को दूर करने के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया है। इन आर्टिफिशियल इंटेलिजेंस मॉडलों को उन महंगी क्वांटम गणनाओं के परिणामों पर प्रशिक्षित किया जाता है, जिससे वे परमाणुओं की स्थितियों के आधार पर एक सिस्टम की ऊर्जा का अनुमान लगाना सीख जाते हैं। एक बार प्रशिक्षित होने के बाद, ये मॉडल लगभग तुरंत ऊर्जा और परमाणुओं पर लगने वाले बलों की भविष्यवाणी कर सकते हैं, जिससे वैज्ञानिकों को लाखों परमाणुओं की गति को समय के साथ सिम्युलेट (अनुकरण) करने की अनुमति मिलती है। लेकिन इसमें एक पेंच है। जबकि ये मॉडल आसानी से यह अनुमान लगा सकते हैं कि परमाणु कैसे चलते हैं, उन्हें उनके कंपनों के उच्च-क्रम के विवरणों (higher-order details) की भविष्यवाणी करने में कठिनाई होती है। विशेष रूप से, ऊर्जा परिदृश्य (energy landscape) की "वक्रता" (curvature) की गणना करना—जो इस बात का गणितीय विवरण है कि परमाणु हिलने पर बल कैसे बदलते हैं—किसी भी बड़े सिस्टम के लिए बहुत धीमा माना गया है। इस जानकारी के बिना, वैज्ञानिक ऊष्मा क्षमता (heat capacity) या उस विशिष्ट आवृत्ति (frequency) जैसी प्रयोगात्मक विशेषताओं की सटीक भविष्यवाणी नहीं कर सकते जिस पर कोई सामग्री कंपन करती है।

शोधकर्ताओं की एक टीम ने अब इस बाधा को पार करने का एक तरीका खोज लिया है, जिससे वे उन विशाल सामग्रियों के जटिल कंपन गुणों की गणना कर सकते हैं जो पहले पहुंच से बाहर थे। उनका कार्य एक विशिष्ट प्रकार के मशीन लर्निंग मॉडल पर केंद्रित है जो इस बात की नकल करता है कि परमाणु अपने पड़ोसियों के साथ कैसे संवाद करते हैं। इन मॉडलों में, सूचना एक परमाणु से दूसरे परमाणु तक चरणों में यात्रा करती है, ठीक वैसे ही जैसे भीड़ में कोई अफवाह फैलती है। शोधकर्ताओं ने महसूस किया कि चूंकि भौतिक बल दूरी के साथ तेजी से कमजोर होते हैं, इसलिए कंपनों का गणितीय विवरण एक ठोस संख्या ब्लॉक नहीं है, बल्कि एक 'स्पार्स' (विरल) संरचना है, जो ज्यादातर शून्य से भरी होती है। इस छिपी हुई संरचना को पहचानकर, उन्होंने केवल सार्थक संबंधों पर ध्यान केंद्रित करके और शून्य को अनदेखा करके, परमाणु कंपनों की पूरी तस्वीर की गणना करने की विधि विकसित की।

शोधकर्ताओं ने विभिन्न प्रकार की बड़ी, छिद्रपूर्ण सामग्रियों पर इस दृष्टिकोण का परीक्षण किया, जिनमें मेटल-ऑर्गनिक्स फ्रेमवर्क और ज़ियोलाइट्स शामिल हैं, जिनका उपयोग अणुओं को फंसाने की उनकी क्षमता के लिए औद्योगिक अनुप्रयोगों में किया जाता है। उन्होंने अपने तरीके को कई अत्याधुनिक मशीन लर्निंग मॉडलों पर लागू किया, जिनमें वे मॉडल भी शामिल थे जिन्हें पूरी आवर्त सारणी (periodic table) में काम करने के लिए डिज़ाइन किया गया था। परिणामों ने दिखाया कि हालांकि यह विधि इन विशाल प्रणालियों के सटीक कंपन गुणों की गणना कर सकती थी, लेकिन पारंपरिक तरीकों की तुलना में गति में सुधार मामूली था। ऐसा इसलिए था क्योंकि उनके द्वारा उपयोग किए गए मॉडलों को पड़ोसियों की एक बहुत विस्तृत श्रृंखला को देखने के लिए डिज़ाइन किया गया था, जिसका अर्थ था कि गणितीय विवरण में "शून्य" उम्मीद के मुताबिक अधिक संख्या में नहीं थे। इन मॉडलों की इंटरेक्शन रेंज (अंतःक्रिया सीमा) बहुत व्यापक थी, जिसके कारण केवल 'स्पैरसिटी ट्रिक' (विरलता की तकनीक) से बड़े लाभ नहीं मिल सके।

हालांतु, टीम ने एक शक्तिशाली सुधार खोजा। उन्होंने महसूस किया कि वे जानबूझकर उन बहुत कमजोर संबंधों को अनदेखा कर सकते हैं जो दूर स्थित परमाणुओं के बीच होते हैं, जिसे वे 'ट्रंकेशन' (छंटाई) कहते हैं। इन नगण्य, दूर के अंतःक्रियाओं को त्यागकर, वे गणना की लागत को नाटकीय रूप से कम कर सकते थे। कई मामलों में, इस दृष्टिकोण ने गणनाओं को दस से बीस गुना तेज़ बना दिया। महत्वपूर्ण रूप से, यह गति लगभग बिना किसी सटीकता के नुकसान के आई। अनुमानित ऊष्मा क्षमताएं और कंपन आवृत्तियां सटीक परिणामों के लगभग समान रहीं, भले ही गणना ने डेटा के एक बड़े हिस्से को छोड़ दिया था। इन दूर के बलों को अनदेखा करने से उत्पन्न त्रुटियां इतनी छोटी थीं कि वे वास्तविक दुनिया के प्रयोगात्मक परिणामों की भविष्यवाणी करने के लिए आवश्यक सीमा से बहुत नीचे थीं।

यह निष्कर्ष बताता है कि कई व्यावहारिक अनुप्रयोगों के लिए, वैज्ञानिकों को एक विशाल प्रणाली में प्रत्येक अंतःक्रिया की गणना करने की आवश्यकता नहीं है। उन्हें केवल उन मजबूत, स्थानीय संबंधों को ध्यान में रखने की आवश्यकता है जो भौतिकी पर हावी होते हैं। शोधकर्ताओं ने प्रदर्शित किया कि इस 'ट्रंकेटेड' (छंटी हुई) पद्धति का उपयोग करके, वे एक सिंगल ग्राफिक्स कार्ड पर कुछ ही मिनटों में छह हजार से अधिक परमाणुओं वाली सामग्री के कंपन गुणों की गणना कर सकते हैं। इससे पहले, ऐसी गणना अत्यधिक धीमी या असंभव होती। यह मशीन लर्निंग मॉडलों को केवल सिमुलेशन पर निर्भर रहने के बजाय, वास्तविक प्रयोगात्मक डेटा के विरुद्ध व्यवस्थित रूप से परीक्षण करने का द्वार खोलता है। यह शोधकर्ताओं को लैब से प्राप्त वास्तविक मापों का उपयोग करके इन मॉडलों को फाइन-ट्यून करने की अनुमति देता है, जिससे नए पदार्थों के लिए अधिक सटीक भविष्यवाणियां संभव हो सकती हैं।

यह कार्य एक नए डिजाइन सिद्धांत को भी उजागर करता है। शोधकर्ताओं ने पाया कि मॉडल की गहराई (depth)—यानी वह कितने चरणों में पड़ोसी-से-पड़ोसी संचार करता है—सीधे तौर पर यह नियंत्रित करती है कि बल कितनी दूर तक विस्तारित होते हैं। जो मॉडल बहुत आगे तक देखते हैं, वे सघन और जटिल गणनाएं पैदा करते हैं जिन्हें तेज करना कठिन होता है। इन मॉडलों के 'रिसेप्टिव फील्ड' (ग्रहण क्षेत्र) को अधिक संक्षिप्त रखकर, वैज्ञानिक यह सुनिश्चित कर सकते हैं कि परिणामी गणनाएं सटीक रहे बिना स्पार्स और तेज़ बनी रहें। यह अंतर्दृष्टि मशीन लर्निंग की सैद्धांतिक शक्ति और पदार्थ विज्ञान की व्यावहारिक आवश्यकताओं के बीच के अंतर को पाटती है, जिससे एक सैद्धांतिक संभावना एक नियमित उपकरण में बदल जाती है।

अंततः, यह शोध पदार्थ के कंपनों का अध्ययन करने के तरीके को बदल देता है। यह जटिल तापीय और कंपन गुणों के पूर्वानुमान की क्षमता को छोटे, सरल अणुओं के दायरे से हटाकर विशाल, औद्योगिक क्रिस्टल के पैमाने पर ले आता है। भौतिक दुनिया में बलों के प्राकृतिक क्षय का लाभ उठाकर, शोधकर्ताओं ने दिखाया है कि हम उच्च सटीकता और कम लागत के साथ बड़े सिस्टम के व्यवहार की गणना कर सकते हैं। यह अगली पीढ़ी की सामग्री खोज के लिए आवश्यक है, जहाँ यह समझना कि कोई सामग्री ऊष्मा और कंपन को कैसे संभालती है, उतना ही महत्वपूर्ण है जितना कि उसकी रासायनिक संरचना को जानना। आगे का रास्ता अब स्पष्ट है: इन कुशल तरीकों का उपयोग करके मशीन लर्निंग भविष्यवाणियों की सीधे प्रयोगात्मक परिणामों के साथ तुलना करना, और एक समय में एक गणना के माध्यम से पदार्थ की हमारी समझ को परिष्कृत करना।