Enabling large language model agents for high-fidelity many-body perturbation theory calculations
यह शोधपत्र AI-Donkey को प्रस्तुत करता है, जो एक हाइब्रिड एजेंटिक फ्रेमवर्क है जो कम्प्यूटेशनल मैटेरियल्स साइंस के लिए उच्च-सटीक और सुसंगत मेनी-बॉडी परटर्बेशन थ्योरी वर्कफ़्लो उत्पन्न करने में वर्तमान लार्ज लैंग्वेज मॉडल्स की अविश्वसनीयता को दूर करने के लिए विशेषज्ञ-क्यूरेटेड ज्ञान को नियतात्मक निष्पादन (deterministic execution) के साथ जोड़ता 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
पदार्थ की दुनिया को समझने के लिए, वैज्ञानिक अक्सर इस बात पर ध्यान देते हैं कि उत्तेजित होने पर परमाणु कैसे व्यवहार करते हैं, जैसे कि जब सौर सेल पर प्रकाश पड़ता है या जब किसी चिप के माध्यम से विद्युत धारा प्रवाहित होती है। जबकि मानक कंप्यूटर मॉडल यह वर्णन कर सकते हैं कि परमाणु स्थिर अवस्था में कैसे रहते हैं, वे यह अनुमान लगाने में संघर्ष करते हैं कि इलेक्ट्रॉन उच्च ऊर्जा स्तरों पर कैसे कूदते हैं या क्रिस्टल जाली (क्रिस्टल लैटिस) में कंपन के साथ कैसे परस्पर क्रिया करते हैं। इन उत्तरों को सही ढंग से प्राप्त करने के लिए, शोधकर्ता 'मेनी-बॉडी परटर्बेशन थ्योरी' (many-body perturbation theory) नामक उन्नत गणितीय तकनीकों के एक समूह का उपयोग करते हैं। ये विधियाँ अविश्वसनीय रूप से शक्तिशाली और सटीक हैं, लेकिन इनका उपयोग करना अत्यंत कठिन है। इनके लिए एक शोधकर्ता को एक कुशल कंडक्टर की तरह कार्य करना पड़ता है, जो मैन्युअल रूप से कई अलग-अलग सॉफ्टवेयर प्रोग्रामों को आपस में जोड़ता है, जिनमें से प्रत्येक की अपनी भाषा और नियम होते हैं। यदि एक प्रोग्राम की सेटिंग्स अगले प्रोग्राम से पूरी तरह मेल नहीं खाती हैं, तो पूरी गणना विफल हो जाती है, जो अक्सर घंटों के कंप्यूटिंग समय बर्बाद होने के बाद ही पकड़ में आती है। इस जटिलता ने इन शक्तिशाली उपकरणों को केवल अत्यधिक विशिष्ट विशेषज्ञों तक ही सीमित रखा है।
शोधकर्ताओं की एक टीम ने अब इस अंतर को पाटने के लिए एक नई प्रणाली विकसित की है, जिससे कृत्रिम बुद्धिमत्ता (AI) इन जटिल गणनाओं का भारी काम संभाल सके। वैज्ञानिकों ने परीक्षण किया कि क्या आधुनिक 'लार्ज लैंग्वेज मॉडल्स'—उन्नत एआई सिस्टम जो तर्क करने और निर्देशों का पालन करने में सक्षम हैं—स्वयं इन कठिन वर्कफ्लो को स्वचालित रूप से स्थापित कर सकते हैं। उन्होंने पाया कि बिना सहायता के, सबसे परिष्कृत एआई मॉडल भी सफल होने की तुलना में विफल अधिक बार हुए। मॉडल अक्सर सूक्ष्म गलतियाँ करते थे, जैसे कि पदार्थ के गुणों को मैप करने के लिए उपयोग किए जाने वाले बिंदुओं के ग्रिड (grid of points) को गलत तरीके से संरेखित करना, जिसके कारण बाद में पूरी प्रक्रिया ध्वस्त हो जाती थी। हालाँकि, जब शोधकर्ताओं ने 'एआई-डॉन्की' (AI-Donkey) नामक एक नया ढांचा पेश किया, तो परिणाम नाटकीय रूप से बदल गए। यह प्रणाली एक जानकार मार्गदर्शक के रूप में कार्य करती है, जो एआई को विशेषज्ञ-क्यूरेटेड निर्देश और उपकरणों का एक समूह प्रदान करती है जो यह सुनिश्चित करता है कि प्रत्येक चरण अगले चरण से सही ढंग से जुड़ा रहे। इस सहायता के साथ, एआई एजेंट, जिनमें शक्तिशाली व्यावसायिक मॉडल से लेकर ओपन-सोर्स संस्करण तक शामिल हैं, विभिन्न सामग्रियों, जिनमें एक-आयामी ट्यूब, द्वि-आयामी शीट और ठोस ब्लॉक शामिल हैं, के लिए सफल और त्रुटि-रहित गणनाएँ चलाने में सक्षम रहे।
इन गणनाओं के मूल में जो समस्या शोधकर्ताओं ने संबोधित की है, वह इन गणनाओं की प्रकृति में निहित है। सरल कंप्यूटर सिमुलेशन के विपरीत, जो एक ही प्रोग्राम के भीतर रहते हैं, मेनी-बॉडी परटर्बेशन थ्योरी के लिए घटनाओं की एक ऐसी श्रृंखला की आवश्यकता होती है जहाँ एक सॉफ्टवेयर पैकेज का आउटपुट दूसरे का इनपुट बन जाता है। प्रत्येक चरण सटीक भौतिक विवरणों पर निर्भर करता है, जैसे कि पदार्थ की समरूपता (symmetry) और परमाणुओं की विशिष्ट व्यवस्था। यदि एक शोधकर्ता पहले चरण में छोटी सी गलती करता है, तो वह त्रुटि आगे बढ़ती जाती है और अंतिम परिणाम को दूषित कर देती है। टीम ने पाया कि वर्तमान एआई मॉडल, कोड लिखने और प्रश्नों के उत्तर देने की क्षमता के बावजूद, इन श्रृंखलाओं को विश्वसनीय रूप से प्रबंधित करने के लिए आवश्यक विशिष्ट, गहन डोमेन ज्ञान की कमी रखते हैं। सिलिकॉन जैसी सामग्री के लिए गणना सेट करने के लिए पूछे जाने पर, एआई अक्सर आवश्यक सेटिंग्स का अनुमान लगाने लगता है। एक परीक्षण में, एआई ने एक बुनियादी गणना लगभग आधी बार सफलतापूर्वक स्थापित की, लेकिन ऑप्टिकल गुणों या इलेक्ट्रॉन कंपन से जुड़े अधिक जटिल कार्यों के लिए, सफलता दर गिरकर केवल 19 प्रतिशत रह गई। मॉडल अक्सर ऐसे सेटिंग्स बना देते थे जो सुनने में तो तर्कसंगत लगते थे लेकिन भौतिक रूप से गलत थे, जिससे ऐसी गणनाएँ होती थीं जिन्हें चलाया नहीं जा सकता था या जिनसे निरर्थक डेटा प्राप्त होता था।
इसे हल करने के लिए, शोधकर्ताओं ने AI-Donkey बनाया, जो एक ऐसा ढांचा है जो एआई को नियमों का अनुमान लगाने पर निर्भर नहीं रहने देता। इसके बजाय, यह प्रणाली एआई को विशेषज्ञ ज्ञान का एक संरचित पुस्तकालय और स्वचालित उपकरणों का एक सेट प्रदान करती है जो निरंतरता लागू करते हैं। इसे ऐसे समझें कि एआई एक कुशल वास्तुकार (architect) है जो एक इमारत का डिजाइन तो बना सकता है लेकिन उसे यह सुनिश्चित करने के लिए एक फोरमैन की आवश्यकता होती है कि ईंटें ब्लूप्रिंट के अनुसार रखी जाएं; AI-Donkey उसी फोरमैन के रूप में कार्य करता है। यह प्रणाली जटिल गणना को प्रबंधनीय चरणों में विभाजित करती है, जिसमें से प्रत्येक चरण मानव विशेषज्ञों द्वारा लिखे गए एक विशिष्ट "स्किल" (skill) दस्तावेज़ द्वारा निर्देशित होता है। ये दस्तावेज़ बताते हैं कि वास्तव में किस जानकारी की आवश्यकता है, कंप्यूटर को क्या करना चाहिए, और सामान्य गलतियों से कैसे बचना चाहिए। एआई फिर इन दस्तावेजों का उपयोग उन कंप्यूटर प्रोग्रामों को निर्देशित करने के लिए करता है जो आवश्यक फाइलें उत्पन्न करते हैं और उन्हें आपस में जोड़ते हैं। क्योंकि कंप्यूटर उपकरण तकनीकी विवरणों को संभालते हैं और त्रुटियों के लिए स्वचालित रूप से जाँच करते हैं, इसलिए एआई को अब हर नियम को याद रखने या ऐसी टाइपिंग की गलती की चिंता करने की आवश्यकता नहीं है जो पूरी श्रृंखला को तोड़ दे।
इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने AI-Donkey ढांचे के साथ उन्हीं एआई मॉडलों का परीक्षण किया, तो सफलता दर बढ़कर लगभग 100 प्रतिशत हो गई। प्रत्येक प्रयास, चाहे वह शीर्ष श्रेणी का व्यावसायिक मॉडल हो या छोटा ओपन-सोर्स संस्करण, एक पूर्ण, चलने योग्य वर्कफ्लो तैयार करता था जिसने सभी जाँचों को पास किया। यह प्रणाली बार-बार किए गए परीक्षणों में लगातार काम करती रही, जिससे उन यादृच्छिक विफलताओं को समाप्त किया जा सका जो बिना सहायता वाले मॉडलों में देखी गई थीं। शोधकर्ताओं ने विभिन्न प्रकार की सामग्रियों, जैसे कि मोलिब्डेनम और सेलेनियम से बने एक यौगिक की एकल परत, कार्बन परमाणुओं की एक शीट जिसे ग्राफीन कहा जाता है, और कार्बन परमाणुओं की एक ट्यूब की विशेषताओं की गणना करके इस क्षमता का प्रदर्शन किया। प्रत्येक मामले में, एआई ने उस सामग्री की अनूठी संरचना के लिए आवश्यक विशिष्ट सेटिंग्स की सही पहचान की, शक्तिशाली सुपरकंप्यूटरों पर गणना चलाई, और परिणामों का विश्लेषण करके यह भी दिखाया कि इलेक्ट्रॉन कैसे व्यवहार करते हैं।
इस अध्ययन ने विशेष रूप से कठिन गणना, जिसे 'GW परटर्बेशन थ्योरी' कहा जाता है, को हल करके इस क्षेत्र में एआई की क्षमताओं की सीमाओं को भी आगे बढ़ाया है, जिसका उपयोग पदार्थ में कंपन के साथ इलेक्ट्रॉनों की परस्पर क्रिया का अध्ययन करने के लिए किया जाता है। यह विशिष्ट कार्य पहले कभी स्वचालित नहीं किया गया था और इसमें चार अलग-अलग सॉफ्टवेयर पैकेजों के समन्वय की आवश्यकता होती है। AI-Donkey ढांचे के बिना, एआई मॉडल पूरी तरह से विफल रहे, क्योंकि वे प्रोग्रामों को जोड़ने के लिए सख्त आवश्यकताओं को समझने में असमर्थ थे। हालाँकि, ढांचे के साथ, एआई ने पूरी प्रक्रिया को सफलतापूर्वक पूरा किया, और विभिन्न चरणों के बीच जटिल निर्भरताओं को सही ढंग से संभाला। इसमें सिलिकॉन कार्बाइड जैसे ध्रुवीय अर्धचालक (polar semiconductor) कि विद्युत क्षेत्रों के प्रति कैसे प्रतिक्रिया करता है, इसकी गणना करना भी शामिल था, जिसके लिए लंबी दूरी के बलों (long-range forces) का सटीक प्रबंधन आवश्यक है जिन्हें मॉडल करना कठिन होता है। शोधकर्ताओं ने पाया कि एआई उन्नत कार्य भी कर सकता है, जैसे कि यह सुनिश्चित करने के लिए विभिन्न सेटिंग्स का परीक्षण करना कि परिणाम सटीक हैं, एक ऐसी प्रक्रिया जिसे 'कनवर्जेंस टेस्टिंग' (convergence testing) कहा जाता है, जो आमतौर पर मानव वैज्ञानिकों के लिए एक उबाऊ और समय लेने वाला काम होता है।
इस कार्य के निहितार्थ केवल गणनाओं को तेज करने तक ही सीमित नहीं हैं। एक ऐसा सिस्टम बनाकर जो जटिल वैज्ञानिक वर्कफ्लो के माध्यम से एआई को विश्वसनीय रूप से मार्गदर्शन कर सके, शोधकर्ताओं ने वैज्ञानिकों की एक विस्तृत श्रेणी के लिए इन शक्तिशाली उपकरणों के उपयोग का द्वार खोल दिया है। यह ढांचा लचीला है, जिसका अर्थ है कि इसे नए तरीकों और सॉफ्टवेयर के विकसित होने के साथ अपडेट किया जा सकता है। टीम ने दिखाया कि सिस्टम उन्नत सुविधाओं को एकीकृत कर सकता है, जैसे कि बड़ी प्रणालियों के लिए गणनाओं को तेज करने वाली तकनीकें, बिना इसे पूरी तरह से पुन: लिखे। यह सुझाव देता है कि भविष्य में, वैज्ञानिक आधारभूत कंप्यूटर कोड के विशेषज्ञ बने बिना भी एआई से नए पदार्थों की खोज करने या नई थ्योरी का परीक्षण करने के लिए कह सकेंगे। मुख्य निष्कर्ष यह है कि जबकि एआई तर्क करने में बेहतर हो रहा है, उच्च-स्तरीय विज्ञान के लिए आवश्यक कठोर, बहु-चरणीय प्रक्रियाओं को संभालने के लिए इसे अभी भी एक संरचित, विशेषज्ञ-निर्देशित वातावरण की आवश्यकता है। एआई की तर्क शक्ति को मानव-क्यूरेटेड ज्ञान की विश्वसनीयता के साथ जोड़कर, शोधकर्ताओं ने पदार्थ विज्ञान के क्षेत्र में पूर्णतः स्वायत्त वैज्ञानिक खोज की दिशा में एक मार्ग प्रशस्त किया 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।