Atoms that Matter: Largest Materials Datasets Are 99% Redundant, and Local Chemistry Can Guide the Required 1%
यह अध्ययन प्रदर्शित करता है कि संरचनात्मक और रासायनिक रूप से विशिष्ट स्थानीय वातावरणों का चयन करके OMat24 डेटासेट के 1% से भी कम हिस्से पर मशीन-लर्निंग फोर्स फील्ड्स को प्रशिक्षित करने से 100-मिलियन-संरचना वाले सेट पर प्रशिक्षित मॉडलों के समान सटीकता प्राप्त होती है, जो यह सिद्ध करता है कि सामान्य-उद्देश्य वाले सामग्री मॉडलिंग के लिए डेटा की विशाल मात्रा के बजाय रासायनिक विविधता ही महत्वपूर्ण कारक है।
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
भौतिक दुनिया कैसे जुड़ी रहती है, इसे समझने की खोज में वैज्ञानिक लंबे समय से एक शक्तिशाली लेकिन महंगी तकनीक पर निर्भर रहे हैं: क्वांटम मैकेनिक्स। भौतिकी की यह शाखा शोधकर्ताओं को यह गणना करने की अनुमति देती है कि परमाणु एक-दूसरे के साथ कैसे परस्पर क्रिया करते हैं, जिससे एक नए धातु की मजबूती से लेकर बैटरी ऊर्जा कैसे संग्रहीत करती है, सब कुछ अनुमानित किया जा सकता है। हालाँकि, ये गणनाएँ इतनी भारी होती हैं कि पदार्थ के एक छोटे से टुकड़े का एक सेकंड के एक अंश के लिए भी अनुकरण (सिमुलेशन) करने में दुनिया के सबसे शक्तिशाली सुपरकंप्यूटरों पर कई दिन या सप्ताह लग सकते हैं। इस बाधा को दूर करने के लिए, आर्टिफिशियल इंटेलिजेंस की एक नई पीढ़ी उभरी है। ये मशीन-लर्निंग मॉडल एक शॉर्टकट के रूप में कार्य करते हैं; इन्हें क्वांटम गणनाओं के विशाल पुस्तकालयों पर प्रशिक्षित किया जाता है और फिर ये परमाणुओं के व्यवहार का लगभग तुरंत अनुमान लगाना सीख जाते हैं, जो भारी गणनाओं की सटीकता को एक साधारण अनुमान की गति के साथ प्रदान करते हैं। इस क्षेत्र में प्रचलित धारणा यह रही है कि इन एआई मॉडलों को वास्तव में विश्वसनीय और किसी भी पदार्थ को संभालने में सक्षम बनाने के लिए, उन्हें डेटा की एक विशाल मात्रा खिलाई जानी चाहिए, जो अक्सर करोड़ों परमाणु विन्यासों (कॉन्फ़िगरेशन) तक पहुँच जाती है।
लक्ज़मबर्ग विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस धारणा को चुनौती दी है, यह सुझाव देते हुए कि इन डेटा पुस्तकालयों का विशाल आकार आवश्यकता का एक भ्रम मात्र हो सकता है। उन्होंने 'ओपन मैटेरियल्स 2024' डेटासेट का परीक्षण किया, जो 11 करोड़ से अधिक संरचनाओं वाला एक विशाल संग्रह है, जिसने अब तक के सबसे उन्नत एआई फोर्स फील्ड्स के आधार के रूप में कार्य किया है। शोधकर्ताओं ने एक सरल प्रश्न पूछा: क्या मॉडल को वास्तव में इन 11 करोड़ उदाहरणों की आवश्यकता है, या उस जानकारी का अधिकांश हिस्सा एक ही रासायनिक पाठ की पुनरावृत्ति है? यह पता लगाने के लिए, उन्होंने इस विशाल डेटासेट के बहुत छोटे हिस्सों पर नए एआई मॉडल प्रशिक्षित किए—विशेष रूप से, ऐसे उपसमुच्चय (सबसेट्स) जिनमें कुल परमाणुओं का एक प्रतिशत से भी कम हिस्सा था, यानी लगभग 6.5 मिलियन परमाणु। उन्होंने इन हिस्सों को चुनने के तीन अलग-अलग तरीकों का परीक्षण किया: परमाणुओं को पूरी तरह से यादृच्छिक (रैंडम) रूप से चुनना, विशिष्ट समूहों को खोजने के लिए एक परिष्कृत क्लस्टरिंग पद्धति का उपयोग करना, और एक नई तकनीक का उपयोग करना जिसे उन्होंने विकसित किया है, जो प्रत्येक परमाणु के आसपास के अद्वितीय स्थानीय परिवेश (लोकल नेबरहुड) की गिनती करता है।
परिणाम चौंकाने वाले थे। इन छोटे, सावधानीपूर्वक चुने गए उपसमुच्चयों पर प्रशिक्षित मॉडल ने पूरे 11 करोड़ संरचनाओं वाले डेटासेट पर प्रशिक्षित मॉडल के समान ही प्रदर्शन किया। उन परीक्षणों में, जो यह मापते थे कि एआई कितनी सटीकता से परमाणुओं को जोड़ने वाले बलों की भविष्यवाणी कर सकता है, छोटे-उपसमुच्चय वाले मॉडल विशाल मॉडल के लगभग समान थे। वे पदार्थ के गर्म होने पर फैलने की मात्रा, उसकी कठोरता और लिथियम आयन कितनी आसानी से गुजर सकते हैं, जैसे प्रमुख भौतिक गुणों की भविष्यवाणी करने में भी पूर्ण मॉडल के बराबर थे। शायद सबसे आश्चर्यजनक बात यह थी कि जब शोधकर्ताओं ने अत्यधिक स्थितियों—जैसे 3000 केल्विन तापमान और 500 गीगापास्कल दबाव, जो ग्रहों के गहरे भीतर पाई जाने वाली स्थितियाँ हैं—तक तापमान बढ़ाकर इन मॉडलों की सीमाओं का परीक्षण किया, तो छोटे उपसमुच्चयों पर प्रशिक्षित मॉडल वास्तव में पूर्ण डेटासेट पर प्रशिक्षित मॉडल की तुलना में अधिक स्थिर और विश्वसनीय साबित हुए। पूर्ण डेटासेट वाला मॉडल इन चरम तनावों के तहत अक्सर क्रैश हो गया, जबकि सुव्यवस्थित संस्करण चलते रहे, जिससे पता चलता है कि अतिरिक्त 99 प्रतिशत डेटा ने मजबूती प्रदान करने के बजाय केवल दोहराव (रिडंडेंसी) पेश किया।
शोधकर्ताओं ने पाया कि एक बेहतर मॉडल बनाने की कुंजी डेटा का आयतन नहीं, बल्कि विविधता थी। उन्होंने पाया कि विशाल डेटासेट में कई ऐसी संरचनाएँ थीं जो बिल्कुल एक ही स्थानीय रासायनिक वातावरण साझा करती थीं, जो अनिवार्य रूप से एक ही जानकारी को बार-बार दोहरा रही थीं। इसे हल करने के लिए, उन्होंने 'EnvTok' नामक एक विधि पेश की, जो परमाणु परिवेशों के एक कैटलॉग की तरह कार्य करती है। पूरी संरचना को देखने के बजाय, यह पदार्थ को प्रत्येक परमाणु के तात्कालिक परिवेश में विभाजित करती है, यह नोट करती है कि कौन से तत्व मौजूद हैं, वे कैसे व्यवस्थित हैं, और उन्हें कितना दबाया या खींचा गया है। इस सूची का उपयोग करके केवल उन संरचनाओं को चुनने के माध्यम से, जो एक नया, अद्वितीय परिवेश प्रदान करती हैं, वे एक ऐसा प्रशिक्षण सेट बना सके जिसने दोहराव के बिना संपूर्ण रासायनिक परिदृश्य को कवर किया। इस दृष्टिकोण ने उन्हें उस आवश्यक 1 प्रतिशत डेटा की पहचान करने में सक्षम बनाया जो वास्तविक जानकारी वहन करता है, और बाकी को पीछे छोड़ दिया।
यह निष्कर्ष बताता है कि वैज्ञानिकों को पदार्थ विज्ञान के लिए आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने के तरीके में एक बड़ा बदलाव लाना चाहिए। अरबों रेडंडेंट (दोहराव वाली) संरचनाओं को लेबल करने और संसाधित करने के लिए अत्यधिक कम्प्यूटेशनल संसाधनों को खर्च करने के बजाय, शोधकर्ता अब केवल विशिष्ट, रासायनिक रूप से अद्वितीय विन्यासों को पहचानने और लेबल करने पर ध्यान केंद्रित कर सकते हैं। यह दक्षता इन मॉडलों को प्रशिक्षित करने के लिए और भी सटीक, उच्च-स्तरीय भौतिक गणनाओं का उपयोग करने का द्वार खोलती है, जो पहले इतने बड़े डेटासेट के लिए बहुत महंगा माना जाता था। अपने कम्प्यूटेशनल बजट को मुक्त करके, वैज्ञानिक अब रासायनिक परिवेशों की एक विस्तृत श्रृंखला का पता लगा सकते हैं और इन मॉडलों द्वारा की जाने वाली भविष्यवाणियों की सीमाओं को आगे बढ़ा सकते हैं, जैसे कि नए अति-कठोर पदार्थों का डिजाइन बनाना या दूर के ग्रहों के आंतरिक भाग को समझना। यह अध्ययन पुष्टि करता है कि परमाणु सिमुलेशन की दुनिया में, सूचना की गुणवत्ता डेटा की मात्रा से कहीं अधिक महत्वपूर्ण है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।