Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential
यह शोध पत्र बारह धातु तत्वों के लिए एक हल्का, सामान्य-उद्देश्य वाला मशीन लर्निंग इंटरएटॉमिक पोटेंशियल प्रस्तुत करता है जो एक चरण-दर-चरण सक्रिय शिक्षण दृष्टिकोण के माध्यम से अनदेखे उच्च-क्रम वाले मिश्र धातु प्रणालियों और नए तत्वों तक स्थानांतरणीयता प्राप्त करता है, जिससे केवल एक-तत्व (unary) और द्वि-तत्व (binary) प्रशिक्षण डेटा का उपयोग करके सटीक भविष्यवाणियां संभव हो पाती हैं।
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 विज्ञान की दुनिया में, शोधकर्ता लगातार यह अनुमान लगाने की कोशिश कर रहे हैं कि परमाणु कैसे व्यवहार करेंगे जब वे ठोस बनाने के लिए एक साथ आते हैं। इसे करने के लिए, वे अक्सर एक 'इंटरएटोमिक पोटेंशियल' (interatomic potential) नामक डिजिटल टूल पर भरोसा करते हैं। इस टूल को एक नियमों के सेट के रूप में समझें जो कंप्यूटर को बताता है कि परमाणुओं की एक विशिष्ट व्यवस्था में कितनी ऊर्जा संचित होती है और वे एक-दूसरे को कितनी मजबूती से धकेलते या खींचते हैं। दशकों तक, इन नियमों को उत्पन्न करने का सबसे सटीक तरीका हर एक परिदृश्य के लिए जटिल क्वांटम मैकेनिकल समीकरणों को हल करना रहा है। हालांकि यह विधि सटीक है, लेकिन यह इतनी धीमी है कि तरल धातु की एक छोटी सी बूंद का अनुकरण करने में भी इसे कई सप्ताह लग सकते हैं। चीजों को तेज करने के लिए, वैज्ञानिकों ने मशीन लर्निंग की ओर रुख किया है। ये कंप्यूटर प्रोग्राम पूर्व-निर्धारित उदाहरणों के पुस्तकालय से सीखकर नई व्यवस्थाओं के व्यवहार की लगभग तुरंत भविष्यवाणी कर सकते हैं। हालांकि, एक बड़ी बाधा बनी हुई है: आमतौर पर, हर उस विशिष्ट मिश्र धातु या रासायनिक मिश्रण के लिए जिसे एक वैज्ञानिक अध्ययन करना चाहता है, एक नया मशीन लर्निंग मॉडल शून्य से बनाना पड़ता है। यह एक बाधा पैदा करता है, क्योंकि इन कस्टम मॉडलों को बनाना महंगा और समय लेने वाला है। बड़ा सवाल यह था कि क्या एक एकल, हल्का मॉडल तत्वों के पूरी तरह से नए संयोजनों को संभालने के लिए परमाणु अंतःक्रियाओं के मौलिक नियमों को इतनी अच्छी तरह से सीख सकता है कि उसे शुरू से फिर से प्रशिक्षित करने की आवश्यकता न पड़े।
लॉस एलामोस नेशनल लेबोरेटरी के शोधकर्ताओं की एक टीम ने एक कॉम्पैक्ट, सामान्य उद्देश्य वाले मेटल अलॉय मॉडल विकसित करके उस सवाल का जवाब देने की दिशा में एक महत्वपूर्ण कदम उठाया है। परमाणुओं के हर संभावित संयोजन को याद करने की कोशिश करने के बजाय, उन्होंने अपने मॉडल को व्यक्तिगत परमाणुओं और परमाणुओं के जोड़ों के बीच बुनियादी अंतःक्रियाओं को समझने के लिए प्रशिक्षित किया, और फिर यह परीक्षण किया कि क्या वह जटिल समूहों को खुद से समझ सकता है। उन्होंने बारह अलग-अलग धातुओं पर ध्यान केंद्रित किया, जिनमें एल्युमीनियम, टाइटेनियम, कॉपर और टंगस्टन शामिल हैं। एक स्मार्ट, चरण-दर-चरण सीखने की प्रक्रिया का उपयोग करते हुए, उन्होंने मॉडल को शुद्ध धातुओं और सरल दो-धातु मिश्रणों के डेटा से प्रशिक्षित किया। इसके बाद, उन्होंने मॉडल से उन तीन-धातु और यहाँ तक कि चार-धातु मिश्रणों के व्यवहार की भविष्यवाणी करने के लिए कहा जिन्हें उसने पहले कभी नहीं देखा था। परिणाम आश्चर्यजनक थे: केवल सरल डेटा पर प्रशिक्षित मॉडल ने उच्च सटीकता के साथ इन जटिल, बहु-धातु प्रणालियों की ऊर्जा और स्थिरता की सफलतापूर्वक भविष्यवाणी की। यह बताता है कि मॉडल ने "पंक्तियों के बीच पढ़ना" सीख लिया था, यानी यह अनुमान लगा लिया था कि तीन या चार परमाणु कैसे परस्पर क्रिया करते हैं, यह समझते हुए कि एक या दो परमाणुओं के बीच की सरल नियम क्या हैं।
शोधकर्ताओं ने इसे 'एक्टिव लर्निंग' (active learning) नामक एक पद्धति का उपयोग करके हासिल किया, जो एक ऐसे छात्र की तरह है जो केवल तभी मदद मांगता है जब वह वास्तव में फंस जाता है। कंप्यूटर को लाखों रैंडम उदाहरण खिलाने के बजाय, सिस्टम ने सिमुलेशन चलाए, उन क्षणों की पहचान की जहाँ वह उत्तर को लेकर सबसे अधिक अनिश्चित था, और फिर एक शक्तिशाली क्वांटम कंप्यूटर से उन विशिष्ट कठिन मामलों को हल करने के लिए कहा। इन नए, उच्च-गुणवत्ता वाले उत्तरों को प्रशिक्षण सेट में जोड़ा गया, और यह प्रक्रिया दोहराई गई। उन्होंने इस सीखने को चरणों में व्यवस्थित किया, जिसमें एकल धातुओं से शुरू होकर, जोड़ों की ओर बढ़ना और अंत में ट्रिप्लेट्स (triplets) को पेश करना शामिल था। एक प्रयोग के सेट में, उन्होंने एक ऐसे मॉडल की तुलना की जिसे एकल और दो-धातु डेटा पर प्रशिक्षित किया गया था, बनाम दूसरे मॉडल की जिसे तीन-धातु डेटा भी दिखाया गया था। आश्चर्यजनक रूप से, वह मॉडल जिसने तीन-धातु डेटा नहीं देखा था, उन जटिल मिश्रणों पर परीक्षण के दौरान उतना ही अच्छा प्रदर्शन करता था जिसके लिए उसे स्पष्ट रूप से प्रशिक्षित किया गया था। अनदेखी तीन-धातु प्रणालियों की ऊर्जा की भविष्यवाणी करने में त्रुटियां उस मॉडल के लगभग समान थीं जिसे विशेष रूप से उन पर प्रशिक्षित किया गया था। यह इंगित करता है कि मॉडल ने केवल नियमों की सूची को याद नहीं किया; इसने अंतर्निlying भौतिकी को इतनी अच्छी तरह से सीखा कि वह उन अंतःक्रियाओं के लिए अंतराल भर सके (interpolate), जिनका उसने पहले कभी सामना नहीं किया था।
इस दृष्टिकोण की सफलता और भी आगे तक जाती है। टीम ने परीक्षण किया कि क्या उनका मॉडल एक पूरी तरह से नए तत्व, सोना (gold), को संभाल सकता है, जो मूल बारह धातुओं का हिस्सा नहीं था। उन्होंने मॉडल को केवल शुद्ध सोने के परमाणुओं का डेटा प्रदान किया, जिसमें अन्य धातुओं के साथ सोने के मिश्रण के बारे में कोई जानकारी नहीं थी। जब उन्होंने सोने को अन्य बारह धातुओं के साथ मिलाकर परीक्षण किया, तो मॉडल ने इन नए अलॉय के व्यवहार की सफलतापूर्वक भविष्यवाणी की। हालांकि भविष्यवाणियां पूर्णतः सटीक नहीं थीं, लेकिन मॉडल ने विभिन्न सोने के मिश्रणों की स्थिरता को सही ढंग से रैंक किया और ऊर्जा के सामान्य रुझानों को पकड़ा। यह दर्शाता है कि मॉडल ने परमाणु अंतःक्रिया की एक सार्वभौमिक भाषा सीख ली थी, जिससे वह न्यूनतम अतिरिक्त डेटा के साथ एक नए रासायनिक तत्व पर अपने ज्ञान को स्थानांतरित करने में सक्षम हुआ। शोधकर्ताओं ने पाया कि मॉडल की सामान्यीकरण करने की क्षमता इतनी मजबूत थी कि वह केवल एकल और दो-धातु प्रशिक्षण डेटा का उपयोग करके चार-धातु मिश्र धातुओं, जिन्हें क्वाटर्नरी सिस्टम (quaternary systems) कहा जाता है, के व्यवहार की भविष्यवाणी भी कर सकता था।
इस कार्य के निहितार्थ सामग्री डिजाइन के भविष्य के लिए बहुत व्यापक हैं। वर्तमान में, एक नए अलॉय के लिए विश्वसनीय मॉडल बनाने के लिए अक्सर भारी मात्रा में महंगे डेटा को उत्पन्न करने की आवश्यकता होती है, जो वैज्ञानिकों के लिए नए पदार्थों की खोज की गति को सीमित करता है। यह अध्ययन सुझाव देता है कि केवल डेटा की मात्रा के बजाय, डेटा की विविधता पर ध्यान केंद्रित करके, और यह सुनिश्चित करके कि मॉडल व्यक्तिगत परमाणुओं और जोड़ों के बीच की मौलिक अंतःक्रियाओं को सीखता है, वैज्ञानिक हल्के वजन वाले मॉडल बना सकते हैं जो व्यापक रूप से लागू होने योग्य और तेज़ दोनों हैं। शोधकर्ताओं ने उल्लेख किया कि हालांकि उनका मॉडल कई परिदृश्यों के लिए अत्यधिक सटीक था, लेकिन इसे वैनेडियम (vanadium) वाले विशिष्ट संयोजनों के साथ थोड़ा संघर्ष करना पड़ा, जो यह उजागर करता है कि हालांकि यह दृष्टिकोण शक्तिशाली है, लेकिन यह अभी भी हर संभावित रासायनिक मिश्रण के लिए पूर्ण समाधान नहीं है। फिर भी, निष्कर्ष एक व्यावहारिक मार्ग दिखाते हैं। वे सुझाव देते हैं कि हमें जटिल सामग्रियों को समझने के लिए विशाल, अनियंत्रित डेटाबेस की आवश्यकता नहीं है। इसके बजाय, मशीनों को परमाणु अंतःक्रियाओं के बुनियादी व्याकरण को सिखाकर, हम उन्हें जटिल मिश्र धातुओं की कहानियाँ स्वयं लिखने में सक्षम बना सकते हैं, जिससे एयरोस्पेस इंजीनियरिंग से लेकर ऊर्जा भंडारण तक, नई धातुओं और मिश्र धातुओं की खोज में तेजी आएगी।
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।