← नवीनतम पेपर
🔬 सामग्री विज्ञान

Jackknife-conformal uncertainty for linear ACE potentials: calibrated forces and silicon properties compared with Bayesian and POPS baselines

यह शोध पत्र सिलिकॉन के लिए रैखिक परमाणु क्लस्टर विस्तार विभव (linear atomic cluster expansion potentials) हेतु एक जैकनाइफ-कॉन्फॉर्मल अनिश्चितता परिमाणीकरण पद्धति प्रस्तुत करता है जो कैलिब्रेटेड बल अनिश्चितताएं और सटीक गुण भविष्यवाणियां प्रदान करती है, जो बेयसियन और POPS बेसलाइन से बेहतर प्रदर्शन करती है और रिलैक्स्ड पॉइंट डिफेक्ट्स (relaxed point defects) में साझा प्रशिक्षण पूर्वाग्रहों के संबंध में विशिष्ट सीमाओं की पहचान कर उन्हें संबोधित करती है।

मूल लेखक: James R. Kermode

प्रकाशित 2026-11-09
📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: James R. Kermode

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

सामग्री विज्ञान (materials science) की सूक्ष्म दुनिया में, वैज्ञानिक यह अनुमान लगाने के लिए कंप्यूटर मॉडल पर भरोसा करते हैं कि परमाणु कैसे व्यवहार करते हैं। ये मॉडल आभासी प्रयोगशालाओं के रूप में कार्य करते हैं, जो उन बलों का अनुकरण करते हैं जो परमाणुओं को एक साथ थामे रखते हैं और उनके पास मौजूद ऊर्जा का चित्रण करते हैं। दशकों से, शोधकर्ता इन सिमुलेशन का उपयोग नए पदार्थों को डिजाइन करने के लिए करते आए हैं, जैसे कि अधिक मजबूत धातुओं से लेकर अधिक कुशल बैटरी तक। हालाँकि, ये कंप्यूटर मॉडल कभी भी पूर्ण नहीं होते; वे वास्तविकता के सरलीकृत संस्करण होते हैं। क्योंकि वे सरलीकृत हैं, वे अनिवार्य रूप से गलतियाँ करते हैं। वैज्ञानिकों के लिए महत्वपूर्ण चुनौती केवल यह जानना नहीं है कि मॉडल क्या भविष्यवाणी करता है, बल्कि यह जानना है कि उस भविष्यवाणी पर कितना भरोसा किया जाए। यदि कोई मॉडल कहता है कि एक सामग्री मजबूत होगी, तो इंजीनियरों को यह जानने की आवश्यकता होती है कि क्या इसमें विफल होने की कोई छिपी हुई संभावना है। अनिश्चितता को मापने के किसी विश्वसनीय तरीके के बिना, भविष्यवाणियाँ बिना स्केल बार वाले मानचित्र की तरह हैं: आप भूभाग तो देख सकते हैं, लेकिन आप यह नहीं बता सकते कि आप ज्ञात दुनिया के किनारे से कितनी दूर हैं।

वारविक विश्वविद्यालय के एक शोधकर्ता ने सिलिकॉन (आधुनिक इलेक्ट्रॉनिक्स के केंद्र में स्थित सामग्री) का अध्ययन करने के लिए उपयोग किए जाने वाले एक विशिष्ट प्रकार के कंप्यूटर मॉडल के लिए उस लापता स्केल बार को बनाने हेतु एक नई विधि विकसित की है। उनका कार्य "जैकनीफ" (jackknife) नामक एक तकनीक पर केंद्रित है, जो एक सांख्यिकीय उपकरण है जो यह परीक्षण करता है कि प्रशिक्षण डेटा के एक छोटे से हिस्से को हटाने पर मॉडल का उत्तर कितना बदल जाता है, जिससे मॉडल की स्थिरता का परीक्षण होता है। इसे "कॉन्फ़ॉर्मल प्रेडिक्शन" (conformal prediction) नामक एक विधि के साथ जोड़कर, जो सटीकता का एक निश्चित स्तर सुनिश्चित करती है, उन्होंने एक ऐसी प्रणाली बनाई है जो वैज्ञानिकों को ठीक-ठीक बता सकती है कि उन्हें एक भविष्यवाणी पर कितना विश्वास करना चाहिए। उन्होंने इस प्रणाली का परीक्षण सिलिकॉन के बीस अलग-अलग गुणों पर किया, जिसमें सामग्री की कठोरता से लेकर इसके भीतर एक सूक्ष्म दोष (defect) बनाने के लिए आवश्यक ऊर्जा तक शामिल है। परिणाम अनिश्चितता का एक ऐसा सेट है जो पिछले तरीकों की तुलना में कहीं अधिक विश्वसनीय है, जो प्रत्येक भविष्यवाणी के लिए संभावनाओं की एक स्पष्ट, कैलिब्रेटेड सीमा प्रदान करता है।

शोधकर्ता ने "लीनियर एटॉमिक क्लस्टर एक्सपेंशन पोटेंशियल" (linear atomic cluster expansion potentials) नामक कंप्यूटर मॉडलों के एक विशिष्ट परिवार पर ध्यान केंद्रित किया। ये मॉडल अत्यधिक सटीक गणनाओं के एक बड़े डेटाबेस से परमाणु अंतःक्रियाओं के नियमों को सीखने के लिए डिज़ाइन किए गए हैं। समस्या यह है कि सबसे अच्छे मॉडल भी "मिसस्पेसिफाइड" (misspecified) होते हैं, जिसका अर्थ है कि वे ऐसी धारणाओं पर आधारित होते हैं जो परमाणुओं की जटिल वास्तविकता से पूरी तरह मेल नहीं खातीं। इस बेमेल के कारण, त्रुटि का अनुमान लगाने वाले पारंपरिक तरीके अक्सर विफल हो जाते हैं। वे अत्यधिक आत्मविश्वासी होते हैं, यह सुझाव देते हुए कि एक भविष्यवाणी सटीक है जबकि वह वास्तव में काफी अनिश्चित होती है। शोधकर्ता ने महसूस किया कि इसे ठीक करने के लिए, उन्हें डेटा के शोर (noise) के बजाय मॉडल की अंतर्निहित खामियों को ध्यान में रखते हुए त्रुटि को मापने के तरीके की आवश्यकता है।

इसे हल करने के लिए, उन्होंने एक चतुर दो-चरणीय दृष्टिकोण अपनाया। सबसे पहले, उन्होंने देखा कि जब उन्होंने प्रशिक्षण डेटा से परमाणुओं के एक पूरे विन्यास (configuration) को हटा दिया, तो मॉडल की आंतरिक सेटिंग्स में कैसे बदलाव आया। इस "डिलीट-वन" (delete-one) परीक्षण ने अनिश्चितता के आकार को प्रकट किया: इसने दिखाया कि मॉडल के कौन से हिस्से नाजुक थे और कौन से मजबूत। यह आकार त्रुटि का एक साधारण वृत्त नहीं था, बल्कि एक जटिल, बहु-आयामी बादल (cloud) था जो परमाणुओं के स्थानीय वातावरण के आधार पर फैलता और सिकुड़ता था। दूसरा, उन्होंने इस बादल के आकार को कैलिब्रेट किया। उन्होंने डेटा के एक अलग सेट का उपयोग किया जिसे मॉडल ने पहले कभी नहीं देखा था और इस बादल को तब तक समायोजित किया जब तक कि इसने एक विशिष्ट, गारंटीकृत दर पर वास्तविक त्रुटियों को कवर न कर लिया। इसने यह सुनिश्चित किया कि जब मॉडल भविष्यवाणी करता है, तो जुड़ी हुई अनिश्चितता सीमा न तो बहुत तंग हो और न ही बहुत ढीली, बल्कि अधिकांश समय सत्य को पकड़ने के लिए बिल्कुल सही हो।

शोधकर्ता ने इस कैलिब्रेटेड प्रणाली को सिलिकॉन के बीस विभिन्न गुणों पर लागू किया। इन गुणों में सामग्री के 'इलास्टिक कांस्टेंट' (elastic constants) शामिल थे, जो यह बताते हैं कि यह कैसे मुड़ती और खिंचती है, और विभिन्न प्रकार के दोषों (जैसे कि गायब परमाणु या क्रिस्टल संरचना में दबे अतिरिक्त परमाणु) को बनाने के लिए आवश्यक ऊर्जा शामिल थी। उन्होंने अपने नए तरीके की तुलना दो मौजूदा दृष्टिकोणों से की: एक जो मानक बायेसियन सांख्यिकी (Bayesian statistics) पर आधारित है और दूसरा जो इष्टतम पैरामीटर सेटों का उपयोग करता है। परिणाम स्पष्ट थे। उनके नए तरीके ने ऐसे अनिश्चितता अंतराल प्रदान किए जो परीक्षण किए गए अधिकांश गुणों के लिए वास्तविक मूल्यों को सफलतापूर्वक कैप्चर करते हैं। उनके द्वारा अध्ययन किए गए दो सबसे सटीक मॉडलों में से अधिक सटीक मॉडल के लिए, अनिश्चितता अंतराल कम सटीक मॉडल की तुलना में लगभग चार गुना अधिक तंग थे, फिर भी उन्होंने सही कवरेज बनाए रखा। इसका अर्थ है कि विधि मॉडल में सुधार के साथ त्रुटि के मार्जिन को सफलतापूर्वक कम करती है, जो व्यावहारिक अनुप्रयोगों के लिए एक महत्वपूर्ण विशेषता है।

हालाँकि, शोधकर्ता ने यह भी खोजा कि उनका तरीका कहाँ विफल होता है। उन्होंने पाया कि कुछ प्रकार के दोषों के लिए, विशेष रूप से जिनमें गायब या अतिरिक्त परमाणु शामिल हैं, मॉडल लगातार एक ही प्रकार की गलती करता है। ऐसा इसलिए हुआ क्योंकि उनके डेटाबेस में इन दोषों के लिए प्रत्येक प्रशिक्षण उदाहरण गतिमान परमाणुओं के एक "हॉट" (hot) स्नैपशॉट से आया था, जबकि वास्तविक दुनिया के गुण जिन्हें वे भविष्यवाणी करना चाहते थे, वे "कोल्ड" (cold), विश्राम अवस्था वाली संरचनाओं के लिए थे। चूंकि त्रुटि उनके प्रत्येक प्रशिक्षण उदाहरण द्वारा साझा की गई थी, इसलिए एक-एक करके किसी को हटाने से समस्या का पता नहीं चला। मॉडल उस पूर्वाग्रह (bias) के प्रति अंधा था जो उसके सभी डेटा को समान रूप से प्रभावित करता था। इसे ठीक करने के लिए, शोधकर्ता ने एक नया चरण तैयार किया: उन्होंने प्रशिक्षण डेटा से सीधे इस छिपे हुए पूर्वाग्रह के आकार को मापा और इसे एक सुधार शब्द (correction term) के रूप में जोड़ा। एक बार इस समायोजन के बाद, इन कठिन दोष गुणों के लिए अनिश्चितता सीमाएं बस इतनी बढ़ गईं कि वे वास्तविक मूल्यों को शामिल कर सकें, जिससे सफलता दर लगभग पूर्ण हो गई।

अध्ययन ने यह भी परीक्षण किया कि यह विधि उन सामग्रियों और संरचनाओं पर कितनी अच्छी तरह काम करती है जो प्रशिक्षण डेटा में पूरी तरह से अनुपस्थित थीं, जैसे कि दरारें और मुड़ी हुई परमाणु रेखाएं जिन्हें 'डिसलोकेशन' (dislocations) कहा जाता है। बड़े, अधिक जटिल मॉडल के लिए, विधि मजबूत रही, यहाँ तक कि इन चरम वातावरणों में भी त्रुटियों को सटीक रूप से कवर किया। छोटे, सस्ते मॉडल के लिए, यह मुड़ी हुई डिसलोकेशन्स के साथ थोड़ा संघर्ष करती दिखी, जो यह दर्शाता है कि हालांकि विधि शक्तिशाली है, मूल मॉडल की गुणवत्ता अभी भी मायने रखती है। शोधकर्ता ने यह भी दिखाया कि उनका दृष्टिकोण संख्यात्मक रूप से स्थिर और सुसंगत था, जो कुछ वैकल्पिक तरीकों के विपरीत है जो गणनाओं के सेटअप के आधार पर बहुत अलग परिणाम देते हैं।

अंततः, यह कार्य उन वैज्ञानिकों के लिए एक व्यावहारिक टूलकिट प्रदान करता है जो सामग्री के व्यवहार की भविष्यवाणी करने के लिए कंप्यूटर मॉडल का उपयोग करते हैं। यह क्षेत्र को इस अनुमान से दूर ले जाता है कि सिमुलेशन पर कितना भरोसा किया जाए और इसे यह जानने की ओर ले जाता है कि कितना भरोसा किया जा सकता है। कैलिब्रेटेड, विश्वसनीय अनिश्चितता अनुमान प्रदान करके, यह विधि शोधकर्ताओं को एक ऐसी भविष्यवाणी और एक ठोस, मात्रात्मक अंतर्दृष्टि के बीच अंतर करने की अनुमति देती है जो केवल एक अनुमान मात्र है। यह दृष्टिकोण ओपन-सोर्स सॉफ्टवेयर में लागू है, जिससे यह अन्यों के लिए सिलिकॉन और संभावित रूप से अन्य सामग्रियों के अपने अध्ययन में उपयोग के लिए उपलब्ध है। मुख्य निष्कर्ष यह है कि भले ही कोई भी मॉडल कभी भी पूर्ण नहीं हो सकता, अब हम इसकी खामियों को उस सटीकता के साथ माप सकते हैं जो पहले पहुंच से बाहर थी, जिससे अनिश्चितता को एक स्पष्ट, उपयोगी मार्गदर्शक में बदल दिया गया 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।

Digest आज़माएँ →