When do machine-learning potentials need a configuration-dependent kernel? Learning long-range interactions with Fourier neural operators
यह शोध पत्र यह प्रदर्शित करता है कि जहाँ सजातीय (homogeneous) प्रणालियों के लिए कॉन्फ़िगरेशन-स्वतंत्र कर्नेल पर्याप्त होते हैं, वहीं जब स्क्रीनिंग माध्यम विषम (inhomogeneous) होता है, तो मशीन-लर्निंग पोटेंशियल में लंबी दूरी की अंतःक्रियाओं को सटीक रूप से पकड़ने के लिए फूरियर न्यूरल ऑपरेटर्स (FNOs) आवश्यक होते हैं, क्योंकि वे रिमोट मॉड्यूलेशन प्रभावों को मॉडल करने के लिए आवश्यक कॉन्फ़िगरेशन-निर्भर कपलिंग को विशिष्ट रूप से सीखते 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
परमाणुओं की सूक्ष्म दुनिया में, बल हमेशा अपने पड़ोसी की दहलीज पर नहीं रुकते। जबकि कुछ अंतःक्रियाएं छोटी और सरल होती हैं, अन्य विशाल दूरियों तक फैली होती हैं, जो पूरे पदार्थों के माध्यम से पहुँचकर दूर स्थित परमाणुओं के व्यवहार को प्रभावित करती हैं। यह विशेष रूप से पानी जैसे तरल पदार्थों या आवेशित आयनों से बने ठोस क्रिस्टल में सच है, जहाँ एक कण का विद्युत खिंचाव माध्यम के जरिए दूसरे कण को प्रभावित करने के लिए लहरों की तरह फैल सकता है जो कंटेनर के दूसरी ओर स्थित होता है। दशकों से, वैज्ञानिक इन सामग्रियों का अनुकरण (सिमुलेट) करने के लिए कंप्यूटर मॉडलों पर भरोसा करते आए हैं, लेकिन मानक मॉडल अक्सर इन लंबी दूरी के संबंधों को समझने में संघर्ष करते हैं। वे उन लोगों की तरह हैं जो केवल अपने ठीक बगल में खड़े लोगों की बात सुनते हैं, और कमरे के दूसरी ओर से आने वाली फुसफुसाहटों को अनसुना कर देते हैं। इसे ठीक करने के लिए, शोधकर्ताओं ने अपने मॉडलों में एक "लॉन्ग-रेंज" (लंबी दूरी का) मॉड्यूल जोड़ने का प्रयास किया है, जो आमतौर पर यह मानकर काम करता है कि विद्युत बल एक सरल, अपरिवर्तनीय नियम का पालन करते हैं, ठीक वैसे ही जैसे गुरुत्वाकर्षण मौसम की परवाह किए बिना हमेशा एक ही ताकत से नीचे की ओर खींचता है। लेकिन वास्तविक दुनिया में, वातावरण बदलता रहता है; सामग्रियां इन बलों को अलग-अलग परिवेश के आधार पर अलग तरह से स्क्रीन या ब्लॉक कर सकती हैं, जिससे सरल नियम अपर्याप्त हो जाता है।
बेल्जियम के UCLouvain के शोधकर्ताओं की एक टीम ने कंप्यूटर को इन जटिल, बदलते हुए लंबी दूरी के बलों को संभालने के तरीके सिखाने का एक नया तरीका विकसित किया है। दूरियों पर परमाणु एक-दूसरे से कैसे संवाद करते हैं, इसके लिए एक कठोर नियम निर्धारित करने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई है जो स्वयं नियमों को सीखती है, और अपने आस-पास के विशिष्ट वातावरण के अनुसार खुद को ढाल लेती है। उन्होंने इस प्रणाली का परीक्षण किया, जिसे वे 'फोरियर न्यूरल ऑपरेटर' कहते हैं, और इसमें सिंथेटिक नमक जैसे तरल पदार्थों से लेकर तरल पानी और मैग्नीशियम ऑक्साइड की सतह पर बैठे सोने के क्लस्टर जैसे वास्तविक दुनिया के पदार्थों तक, विभिन्न चुनौतियों का सामना किया गया। उनका कार्य यह प्रकट करता है कि जब वातावरण एकसमान होता है, तो एक सरल, निश्चित नियम पर्याप्त होता है। हालांकि, जब वातावरण अव्यवस्थित या असमान होता है—जैसे कि जब सामग्री के विभिन्न हिस्से विद्युत बलों को अलग-अलग डिग्री तक ब्लॉक करते हैं—तो केवल एक लचीली, सीखने वाली प्रणाली ही भौतिकी को सही ढंग से पकड़ सकती है।
शोधकर्ताओं ने अपने विचारों का परीक्षण करने के लिए आवेशित कणों की एक कृत्रिम दुनिया बनाई। इस नियंत्रित सेटिंग में, वे कणों द्वारा एक-दूसरे को स्क्रीन करने की शक्ति को ट्यून कर सकते थे, जो लगभग खाली स्थान (जहाँ बल स्वतंत्र रूप से यात्रा करते हैं) से लेकर एक घने, भीड़भाड़ वाले माध्यम (जहाँ बल तेजी से समाप्त हो जाते हैं) तक सब कुछ सिम्युलेट कर सकता था। उन्होंने अपने नए लर्निंग सिस्टम की तुलना पुराने तरीकों से की, जो इन लंबी दूरी की अंतःक्रियाओं के लिए एक निश्चित, पूर्व-लिखित नियम का उपयोग करते थे। एकसमान मामलों में, जहाँ स्क्रीनिंग हर जगह एक समान थी, नए सिस्टम ने पुराने निश्चित-नियम वाले तरीकों के समान ही प्रदर्शन किया, और परमाणुओं के बीच ऊर्जा और बलों की सटीक भविष्यवाणी की। इसने पुष्टि की कि नया दृष्टिकोण बिना उत्तर बताए पहले से जाने गए बिना भी मानक भौतिकी को सीख सकता है।
असली परीक्षा तब हुई जब शोधकर्ताओं ने 'इनहोमोजिनियस स्क्रीनिंग' (असमान स्क्रीनिंग) पेश की, जो एक ऐसी स्थिति है जहाँ बल को ब्लॉक करने या प्रसारित करने की सामग्री की क्षमता एक स्थान से दूसरे स्थान पर बदल जाती है। कल्पना कीजिए कि लोगों की एक भीड़ है जहाँ कुछ क्षेत्र बहुत घने हैं, जो ध्वनि को रोकते हैं, जबकि अन्य क्षेत्र खाली हैं, जिससे ध्वनि दूर तक जा सकती है। इस असमान वातावरण में, दो दूर स्थित परमाणुओं के बीच की अंतःक्रिया न केवल उन परमाणुओं पर, बल्कि उनके बीच मौजूद सामग्री की विशिष्ट व्यवस्था पर भी निर्भर करती है। शोधकर्ताओं ने पाया कि पुराने तरीके, जो एक निश्चित नियम पर निर्भर थे, इस बारीकी को पकड़ने में विफल रहे। वे परमाणुओं के बीच बदलते परिवेश के आधार पर अपनी "सुनने की क्षमता" को समायोजित नहीं कर सके। इसके विपरीत, नया लर्निंग सिस्टम, जो अपने नियमों को अनुकूलित करने के लिए एक नॉन-लीनियर (अरेखीय) दृष्टिकोण का उपयोग करता है, इन परिवर्तनों को सफलतापूर्वक ट्रैक करने में सक्षम रहा। इसने निश्चित-नियम वाले मॉडलों की तुलना में परमाणुओं के बल की भविष्यवाणी करने में त्रुटि को लगभग आधा कर दिया। सिस्टम ने सीखा कि दो दूर स्थित परमाणुओं के बीच का संबंध एक स्थिर रेखा नहीं है, बल्कि एक गतिशील संबंध है जो उनके आस-पास के माध्यम के पुनर्गठन के साथ बदलता रहता है।
यह सिद्ध करने के लिए कि यह केवल सिंथेटिक डेटा का परिणाम नहीं था, टीम ने अपनी विधि को तीन वास्तविक दुनिया की सामग्रियों पर लागू किया: तरल पानी, बैटरी में उपयोग होने वाला एक ठोस इलेक्ट्रोलाइट (लिथियम लैंथेनम ज़िरकोनेट), और एक क्रिस्टल सतह पर बैठे सोने के दो परमाणुओं का एक छोटा क्लस्टर। तरल पानी और बैटरी सामग्री के मामले में, नए सिस्टम ने मौजूदा सर्वोत्तम तरीकों की सटीकता के साथ मेल खाया, जिससे पता चलता है कि यह मानक बल्क सामग्रियों के लिए एक विश्वसनीय उपकरण है। हालांकि, गोल्ड क्लस्टर प्रयोग ने इसकी शक्ति का सबसे प्रभावशाली प्रमाण प्रदान किया। इस सेटअप में, सोने के परमाणु एक ऐसी सतह पर थे जिसके नीचे दस एंगस्ट्रॉम से भी अधिक गहराई में एल्युमीनियम की अशुद्धियाँ दबी हुई थीं। इन दूरस्थ अशुद्धियों ने इलेक्ट्रॉनिक वातावरण को इतना बदल दिया कि इसने गोल्ड क्लस्टर की प्राथमिकता को उलट दिया: एक स्वच्छ वातावरण में यह सीधा खड़ा रहना चाहता था, लेकिन एल्युमीनियम की उपस्थिति में यह सपाट लेट गया। मानक मॉडल जो केवल निकटतम पड़ोसियों को देखते हैं, इस बदलाव को पूरी तरह से मिस कर गए। निश्चित-नियम वाले लॉन्ग-रेंज मॉडल इसे आंशिक रूप से सही पकड़ पाए लेकिन फिर भी महत्वपूर्ण त्रुटियां कीं। हालाँकि, नया लर्निंग सिस्टम उच्च सटीकता के साथ इस सूक्ष्म परिवर्तन को पकड़ने में सफल रहा, जिसने प्रति सेल एक इलेक्ट्रॉन वोल्ट के पाँच हज़ारवें हिस्से से भी कम की त्रुटि के साथ इस प्राथमिकता परिवर्तन की भविष्यवाणी की।
अध्ययन यह निष्कर्ष निकालता है कि एक लचीले, लर्निंग-आधारित दृष्टिकोण की आवश्यकता विशेष रूप से तब उत्पन्न होती है जब सामग्री की बलों को स्क्रीन करने की क्षमता स्थान के अनुसार बदलती है। यदि वातावरण एकसमान है, तो एक सरल, निश्चित नियम पर्याप्त है। लेकिन जैसे ही स्क्रीनिंग माध्यम असमान हो जाता है, दूर के परमाणुओं के बीच का संबंध उनके बीच मौजूद सामग्री के विशिष्ट विन्यास पर निर्भर हो जाता है। शोधकर्ताओं ने दिखाया कि उनका नया सिस्टम केवल सिमुलेशन से प्राप्त ऊर्जा और बल डेटा का उपयोग करके, बिना किसी पूर्व-प्रोग्रामिंग के, इस जटिल, कॉन्फ़िगरेशन-डिपेंडेंट व्यवहार को सीख सकता है। यह उन सामग्रियों के अनुकरण के लिए एक शक्तिशाली नया मार्ग प्रदान करता है जहाँ चार्ज ट्रांसफर, इंटरफेस या डिफेक्ट्स जटिल, लंबी दूरी की अंतःक्रियाएं पैदा करते हैं, जिन्हें पारंपरिक मॉडल समझाने में संघर्ष करते हैं। यह कार्य सुझाव देता है कि सबसे चुनौतीपूर्ण पदार्थ विज्ञान की समस्याओं के लिए, भविष्य बेहतर नियम लिखने में नहीं, बल्कि कंप्यूटर को स्वयं नियमों की खोज करना सिखाने में निहित 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।