Does System Size Matter in Uncertainty Quantification for Machine Learning Interatomic Potentials?
यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग इंटरएटोमिक पोटेंशियल के लिए सामान्य अनिश्चितता एकत्रीकरण विधियाँ सिस्टम के आकार पर विशिष्ट निर्भरताएँ प्रदर्शित करती हैं, जो यह प्रकट करती हैं कि आकार-अजागर (size-unaware) थ्रेशोल्ड आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन से समझौता करते हैं और बड़े पैमाने के एटोमिस्टिक सिमुलेशन में आकार-जागर (size-aware) कैलिब्रेशन की आवश्यकता को प्रेरित करते 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
नए पदार्थों की खोज की खोज में, वैज्ञानिक मशीन लर्निंग इंटरएटोमिक पोटेंशियल (interatomic potentials) नामक एक शक्तिशाली उपकरण पर भरोसा करते हैं। ये कंप्यूटर प्रोग्राम हैं जिन्हें परमाणु कैसे व्यवहार करेंगे और परस्पर क्रिया करेंगे, इसका अनुमान लगाने के लिए प्रशिक्षित किया जाता है, जो क्वांटम भौतिकी की अविश्वसनीय रूप से जटिल और धीमी गणनाओं के एक शॉर्टकट के रूप में कार्य करते हैं। प्रत्येक परमाणु के लिए पूर्ण समीकरणों को हल करने के बजाय, ये प्रोग्राम उच्च गुणवत्ता वाले डेटा के एक छोटे सेट से सीखते हैं और फिर उस ज्ञान को विशाल प्रणालियों पर लागू करते हैं, जिससे शोधकर्ताओं को लाखों परमाणुओं को लंबी अवधि तक सिम्युलेट करने की अनुमति मिलती है। इन सिमुलेशन को सुरक्षित और सटीक रखने के लिए, ये प्रोग्राम अनिश्चितता परिमाणीकरण (uncertainty quantification) नामक एक अंतर्निहित अलार्म सिस्टम का उपयोग करते हैं। यह प्रणाली कंप्यूटर को तब चिह्नित करती है जब वह ऐसी स्थिति का सामना करती है जिसे उसने पहले कभी नहीं देखा है, जैसे कि परमाणुओं की कोई अजीब व्यवस्था या क्रिस्टल में कोई दोष, जो संकेत देता है कि भविष्यवाणी अविश्वसनीय हो सकती है और अधिक कठोर, धीमी गणना की आवश्यकता है।
वर्षों से, एक मानक अभ्यास यह रहा है कि अध्ययन किए जा रहे सिस्टम के आकार की परवाह किए बिना इन अलार्म संकेतों के साथ समान व्यवहार किया जाए। यदि एक सिमुलेशन में परमाणुओं का एक छोटा समूह शामिल है या पदार्थ का एक विशाल ब्लॉक, तो शोधकर्ता केवल सभी व्यक्तिगत परमाणुओं के अनिश्चितता स्कोर का औसत लेंगे या पूरे ढांचे को सुरक्षित घोषित करने के लिए एकल उच्चतम स्कोर को देखेंगे। धारणा यह थी कि एक छोटा बॉक्स हो या एक विशाल एक, एक उच्च स्कोर का अर्थ समान होता है। हालांकि, एक नया अध्ययन इस लंबे समय से चली आ रही मान्यता को चुनौती देता है, जो यह प्रकट करता है कि सिस्टम का आकार स्वयं यह बदल देता है कि ये अलार्म संकेत कैसे व्यवहार करते हैं, जिससे संभावित रूप से सुरक्षा जाल ठीक उसी समय विफल हो जाता है जब इसकी सबसे अधिक आवश्यकता होती है: सबसे बड़े, सबसे जटिल सिमुलेशन में।
शोधकर्ताओं ने यह परीक्षण करने के लिए काम शुरू किया कि क्या परमाणुओं की संख्या बढ़ने के साथ ये अनिश्चितता स्कोर तुलनीय रहते हैं। उन्होंने एक धातु मिश्र धातु, तरल पानी और बर्फ सहित विभिन्न प्रकार की सामग्रियों को सिम्युलेट करने के लिए कई अलग-अलग प्रकार के मशीन लर्निंग मॉडल का उपयोग किया। प्रत्येक मामले में, उन्होंने एक ही सामग्री के दो संस्करण बनाए: एक जो कंप्यूटर के लिए पूर्ण और परिचित (इन-डिस्ट्रीब्यूशन) था, और दूसरा जिसमें एक विशिष्ट दोष था, जैसे कि एक गायब परमाणु या पदार्थ का एक अलग चरण, जिसे कंप्यूटर पहचानने के लिए प्रशिक्षित नहीं किया गया था (आउट-ऑफ-डिस्ट्रीब्यूशन)। इसके बाद उन्होंने इन सामग्रियों पर सिमुलेशन चलाए, धीरे-धीरे परमाणुओं की संख्या कुछ दर्जन से लेकर कई सौ तक बढ़ाई, और देखा कि अनिश्चितता स्कोर कैसे बदलते हैं।
उन्होंने पाया कि स्कोर कैसे कैलकुलेट किए जाते हैं, इसके आधार पर व्यवहार में एक स्पष्ट और आश्चर्यजनक विभाजन था। जब शोधकर्ताओं ने पूरी प्रणाली के सभी परमाणुओं की अनिश्चितता का औसत निकाला, तो स्कोर पूर्ण सामग्रियों के लिए स्थिर रहा लेकिन यदि सिस्टम में कोई दोष था, तो सिस्टम बड़ा होने पर गिर गया। ऐसा इसलिए हुआ क्योंकि दोष के पास के कुछ परमाणुओं को उनके आसपास के हजारों पूर्ण परमाणुओं द्वारा पतला (diluted) कर दिया गया था, जिससे औसत दिखने में भ्रामक रूप से सुरक्षित लग रहा था। इसके विपरीत, जब उन्होंने सिस्टम में एकल उच्चतम अनिश्चितता स्कोर को देखा, तो व्यवहार इसके विपरीत था। पूर्ण सामग्रियों के लिए, यह उच्चतम स्कोर बढ़ता गया क्योंकि एक बड़ा सिस्टम, परमाणुओं की एक दुर्लभ, थोड़ी असामान्य स्थानीय व्यवस्था का सामना करने के अधिक अवसर रखता है। हालांकि, वास्तविक दोष वाली सामग्रियों के लिए, यह उच्चतम स्कोर स्थिर रहा और आकार के साथ नहीं बढ़ा।
यह विचलन एक खतरनाक अंध बिंदु (blind spot) पैदा करता है। एक छोटे सिस्टम में, एक वास्तविक दोष एक उच्च अनिश्चितता स्कोर उत्पन्न करता है जो एक पूर्ण सामग्री के निम्न स्कोर के मुकाबले स्पष्ट रूप से उभर कर आता है। लेकिन एक बड़े सिस्टम में, पूर्ण सामग्री का उच्चतम स्कोर इतना ऊपर उठ जाता है कि वह दोषपूर्ण सामग्री के समान ही अनिश्चित दिखने लगता है। दोनों के बीच का अंतर समाप्त हो जाता है, और कंप्यूटर एक पूर्ण क्रिस्टल में दुर्लभ लेकिन हानिरहित उतार-चढ़ाव और एक वास्तविक, खतरनाक दोष के बीच अंतर करने में असमर्थ हो जाता है। अध्ययन बताता है कि यह एक सांख्यिकीय सिद्धांत के कारण होता है: जैसे-जैसे आप एक वितरण से अधिक नमूने लेते हैं, आपके द्वारा पाया गया सबसे चरम मान स्वाभाविक रूप से बड़ा होता जाता है। एक बड़ा सिस्टम बस अपने ही सामान्य व्यवहार की पूंछ (tail) में और आगे तक पहुँच जाता है, ऐसी दुर्लभ स्थानीय वातावरण को सामने लाता है जिन्हें मॉडल थोड़ा अपरिचित पाता है, भले ही वह सामग्री मौलिक रूप से वही हो।
यह समझने के लिए कि क्या बड़े, पूर्ण सिस्टमों में बढ़ते स्कोर वास्तव में किसी महत्वपूर्ण चीज़ की चेतावनी दे रहे थे, शोधकर्ताओं ने उन विशिष्ट परमाणुओं को ट्रैक किया जिन्होंने उच्चतम अनिश्चितता को ट्रिगर किया। उन्होंने पाया कि ये परमाणु वास्तव में असामान्य स्थानीय वातावरण में थे और छोटे सिस्टम के परमाणुओं की तुलना में इनमें त्रुटियां अधिक थीं। तार्किक रूप से, एक मानक लर्निंग लूप इन संरचनाओं को पुनः प्रशिक्षण (retraining) के लिए चिह्नित करेगा, जिससे कंप्यूटर को नए डेटा से सुधारा जा सके। हालांकि, जब शोधकर्ताओं ने वास्तव में इन बड़े, चिह्नित संरचनाओं पर मॉडल को पुनः प्रशिक्षित किया, तो इससे प्रदर्शन में लगभग कोई सुधार नहीं हुआ। मॉडल इन विशिष्ट परमाणुओं पर दृढ़ता से गलत बना रहा।
एक प्रकट तुलना में, शोधकर्ताओं ने मॉडल को उन छोटी संरचनाओं पर प्रशिक्षित किया जो जानबूझकर अपरिचित बनाई गई थीं, न कि उन बड़ी संरचनाओं पर जो केवल सांख्यिकीय रूप से दुर्लभ थीं। यह दृष्टिकोण बहुत अधिक प्रभावी था। इन छोटी, स्पष्ट रूप से आउट-ऑफ-डिस्ट्रीब्यूशन संरचनाओं पर पुनः प्रशिक्षण देने से मॉडल के प्रदर्शन में काफी सुधार हुआ और पूर्ण एवं दोषपूर्ण सामग्रियों के बीच का अंतर कम हो गया। अध्ययन निष्कर्ष निकालता है कि अनिश्चितता को तय करने के लिए एक एकल, निश्चित थ्रेशोल्ड का उपयोग करने की वर्तमान विधि दोषपूर्ण है। यह सुझाव देता है कि इन मॉडलों को प्रशिक्षित करने का तरीका, जो सभी परमाणुओं पर त्रुटियों का औसत निकालता है, उन्हें एक बड़े बैरल में कुछ खराब सेबों को अनदेखा करने की अनुमति देता है, जिससे मानक अलार्म सिस्टम अविश्वसनीय हो जाता है।
निष्कर्ष बड़े पैमाने पर सिमुलेशन के प्रबंधन में एक आवश्यक बदलाव की ओर इशारा करते हैं। शोधकर्ता प्रस्तावित करते हैं कि भविष्य के सिस्टमों को "साइज-अवेयर" (size-aware) होने की आवश्यकता है, जिसका अर्थ है कि उन्हें इस तथ्य को ध्यान में रखना चाहिए कि अनिश्चितता स्वाभाविक रूप से परमाणुओं की संख्या के साथ स्केल होती है। उन्होंने अनिश्चितता स्कोर को बाद में समायोजित करने के लिए एक प्रारंभिक विधि का परीक्षण किया ताकि इस आकार के पूर्वाग्रह को हटाया जा सके, लेकिन पाया कि इसे वास्तविक दोषों के बारे में वास्तविक चेतावनियों को मास्क किए बिना करना कठिन है। आगे का रास्ता या तो इन स्कोर्स को कैलिब्रेट करने के नए तरीके विकसित करने में निहित है ताकि वे विभिन्न आकारों में तुलनीय हों, या स्वयं प्रशिक्षण प्रक्रिया को बदलने में है ताकि यह सुनिश्चित किया जा सके कि दुर्लभ, उच्च-त्रुटि वाले परमाणुओं का बलिदान समग्र सटीकता के लिए न किया जाए। जब तक ये समायोजन नहीं किए जाते, बड़े पैमाने के सामग्री सिमुलेशन में सुरक्षा तंत्र चुपचाप विफल होता रहेगा, जो एक बड़े सिस्टम के शोर और एक वास्तविक समस्या के संकेत के बीच अंतर करने में असमर्थ होगा।
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।