Physics-Aligned Electronic Ground-State Learning Improves Generalization

नई दवाओं को डिजाइन करने और अधिक मजबूत सामग्रियों की खोज करने के मिशन में, वैज्ञानिक 'कंप्यूटेशनल केमिस्ट्री' नामक एक शक्तिशाली उपकरण पर भरोसा करते हैं। यह क्षेत्र शोधकर्ताओं को कंप्यूटर पर परमाणुओं और अणुओं के व्यवहार का अनुकरण (सिमुलेट) करने की अनुमति देता है, जो किसी भी वास्तविक भौतिक प्रयोग से पहले एक आभासी प्रयोगशाला के रूप में कार्य करता है। इन सिमुलेशन के केंद्र में एक अणु के "ग्राउंड स्टेट" (ground state) को समझने की आवश्यकता होती, जो अनिवार्य रूप से इलेक्ट्रॉनों की सबसे स्थिर, विश्राम अवस्था वाली व्यवस्था है। इस व्यवस्था को जानने से वैज्ञानिक यह अनुमान लगा सकते हैं कि एक अणु कैसे प्रतिक्रिया करेगा, वह कितना मजबूत होगा, या वह किसी दवा के साथ कैसे परस्पर क्रिया करेगा। हालांकि, पूर्ण सटीकता के साथ इस ग्राउंड स्टेट की गणना करना अविश्वसनीय रूप से कठिन और गणनात्मक रूप से महंगा है, जिसमें एक अकेले अणु के लिए भी सुपरकंप्यूटरों पर घंटों या दिनों का समय लग जाता है। काम को तेज करने के लिए, शोधकर्ताओं ने मशीन लर्निंग मॉडल विकसित किए हैं जो इन उत्तरों का लगभग तुरंत अनुमान लगा सकते हैं। जबकि ये मॉडल उन अणुओं के गुणों की भविष्यवाणी करने में उत्कृष्ट हैं जिन्हें उन्होंने पहले देखा है, वे बड़े, अधिक जटिल अणुओं के व्यवहार की भविष्यवाणी करने में अक्सर विफल हो जाते हैं जो उनके प्रशिक्षण डेटा से भिन्न होते हैं।

टेक्निकल यूनिवर्सिटी ऑफ म्यूनिख और एनवीडिया (NVIDIA) के शोधकर्ताओं की एक टीम ने इन मशीन लर्निंग मॉडलों को बनाने का एक नया तरीका प्रस्तावित किया है जो गति और सटीकता के बीच के अंतर को पाटता है। अंतिम उत्तर की सीधे भविष्यवाणी करने के बजाय, उनका दृष्टिकोण कंप्यूटर को उन अंतर्निहित नियमों को सीखने के लिए प्रशिक्षित करता है जो यह नियंत्रित करते हैं कि इलेक्ट्रॉन खुद को कैसे व्यवस्थित करते हैं। उन्होंने एक ऐसी प्रणाली डिजाइन की जो एक मध्य मार्ग के रूप में कार्य करती है: यह सबसे सटीक पारंपरिक तरीकों की तुलना में बहुत तेज है लेकिन वर्तमान मशीन लर्निंग शॉर्टकट की तुलना में काफी अधिक विश्वसनीय है। उनकी सफलता की कुंजी यह थी कि कंप्यूटर को इस तरह से सीखने के लिए मजबूर किया गया जो ब्रह्मांड के मौलिक भौतिक नियमों का सम्मान करता है, न कि केवल डेटा में पैटर्न को याद करने के लिए। इलेक्ट्रॉन व्यवहार का वर्णन करने वाले वास्तविक समीकरणों के साथ अपनी सीखने की प्रक्रिया को संरेखित करके, उन्होंने ऐसे मॉडल बनाए जो केवल अनुमान नहीं लगाते; वे समस्या की ज्यामिति (geometry) को समझते हैं।

शोधकर्ताओं ने अपने तरीके का परीक्षण छोटे अणुओं के एक डेटासेट पर प्रशिक्षण देकर और फिर चार गुना बड़े अणुओं के गुणों की भविष्यवाणी करने के लिए कहकर किया। इन परीक्षणों में, उनके नए मॉडल मौजूदा अत्याधुनिक तरीकों की तुलना में नाटकीय सुधार दिखाते हैं। उनके सिस्टम के सबसे सटीक संस्करण के लिए, इन बड़े अणुओं की ऊर्जा की भविष्यवाणी करने में त्रुटि मौजूदा सर्वोत्तम विकल्पों की तुलना में लगभग 99.8 प्रतिशत कम हो गई। यह स्तर की सटीकता महत्वपूर्ण है क्योंकि रसायन विज्ञान में, मामूली त्रुटियां भी इस बारे में पूरी तरह से गलत भविष्यवाणियां कर सकती हैं कि क्या कोई दवा काम करेगी या कोई सामग्री टिकेगी। इसके अलावा, सिस्टम में एक अंतर्निहित सुरक्षा जांच शामिल है। यदि मॉडल किसी ऐसे अणु का सामना करता है जो बहुत अजीब या जटिल है जिसे वह आत्मविश्वास से संभाल नहीं सकता, तो वह भविष्यवाणी को अविश्वसनीय के रूप में चिह्नित कर सकता है। उनके परीक्षणों में, इस सुरक्षा तंत्र ने सफलतापूर्वक आधे प्रतिशत से भी कम भविष्यवाणियों को फ़िल्टर किया, जिससे यह सुनिश्चित हुआ कि प्रदान किए गए परिणामों का विशाल बहुमत भरोसेमंद था।

इस कार्य की सबसे महत्वपूर्ण खोजों में से एक यह है कि ये भौतिकी-संरेखित (physics-aligned) मॉडल उन आकारों तक सामान्यीकरण (generalize) कर सकते हैं जिन्हें उन्होंने पहले कभी नहीं देखा है। जबकि अन्य मशीन लर्निंग मॉडल बड़े सिस्टमों का सामना करने पर विफल हो जाते हैं, ये नए मॉडल सैकड़ों इलेक्ट्रॉनों वाले अणुओं के व्यवहार की भविष्यवाणी करते समय भी उच्च सटीकता बनाए रखते हैं। शोधकर्ताओं ने यह भी प्रदर्शित किया कि उनके मॉडल रासायनिक प्रतिक्रियाओं का अध्ययन करने के लिए अनुकूलित किए जा सकते हैं, जिसमें वे क्षण भी शामिल हैं जब बंध (bonds) टूट रहे होते हैं और बन रहे होते हैं। बिना किसी नए लेबल वाले डेटा की आवश्यकता के मॉडल को परिष्कृत करने वाली एक तकनीक का उपयोग करके, वे सिस्टम को एक नए रासायनिक वातावरण में स्थानांतरित करने और "केमिकल एक्यूरेसी" (chemical accuracy) के ज्ञात थ्रेशोल्ड से नीचे की त्रुटि प्राप्त करने में सक्षम थे, जो क्षेत्र में उपयोगी भविष्यवाणियों के लिए स्वर्ण मानक है।

टीम ने स्पष्ट रूप से क्षेत्र में उपयोग किए जाने वाले मानक दृष्टिकोण का विरोध किया, जो अक्सर इन अणुओं के गणितीय निरूपण को मिलान किए जाने वाले साधारण नंबरों की सूची के रूप में मानता है। उन्होंने दिखाया कि यह सामान्य विधि एक अणु के विभिन्न हिस्सों के बीच वास्तविक भौतिक संबंधों को पकड़ने में विफल रहती है, जिससे सिस्टम का आकार बदलने पर खराब प्रदर्शन होता है। इसके विपरीत, उनका नया दृष्टिकोण इलेक्ट्रॉन व्यवस्था को एक विशिष्ट ज्यामितीय आकार के रूप में मानता है जिसे सख्त नियमों का पालन करना चाहिए, ठीक वैसे ही जैसे एक कठोर संरचना जिसे मनमाने ढंग से खींचा या मरोड़ा नहीं जा सकता। यह बाधा मॉडल को केवल डेटा को फिट करने के बजाय सही भौतिक व्यवहार सीखने के लिए मजबूर करती है। परिणाम एक ऐसा सिस्टम है जो न केवल अधिक सटीक है बल्कि अधिक सुदृढ़ भी है, जो वास्तविक दुनिया की रासायनिक समस्याओं की जटिलता को संभालने में सक्षम है जो पहले तेज़ मशीन लर्निंग विधियों की पहुंच से बाहर थीं।

यह कार्य रसायन विज्ञान के लिए "फाउंडेशन मॉडल" बनाने की दिशा में एक मार्ग सुझाता है, जो टेक्स्ट के लिए उपयोग किए जाने वाले बड़े भाषा मॉडलों (large language models) के समान है। जिस तरह वे मॉडल भाषा के नियमों को सीखते हैं ताकि नए वाक्य उत्पन्न किए जा सकें, ये नए मॉडल इलेक्ट्रॉनों के नियमों को सीखते हैं ताकि नए आणविक अंतर्दृर्दशियाँ (insights) उत्पन्न की जा सकें। शोधकर्ताओं ने प्रदर्शित किया कि भौतिक बाधाओं का सम्मान करके, वे सबसे महंगी पारंपरिक गणनाओं के बराबर प्रदर्शन स्तर प्राप्त कर सकते हैं, लेकिन उनके एक अंश के समय में। यह संभावित रूप से जीवन रक्षक दवाओं और उन्नत सामग्रियों की खोज को गति देने के लिए, दवाओं और सामग्रियों के विशाल पुस्तकालयों की स्क्रीनिंग करने के लिए गति और विश्वसनीयता के साथ एक द्वार खोलता है जो पहले असंभव था।