← नवीनतम पेपर
🔬 सामग्री विज्ञान

Physics Informed Priors for Machine Learning Interatomic Potentials with Uncertainty Quantification

यह शोध पत्र मशीन लर्निंग इंटरएटॉमिक पोटेंशियल के लिए एक मिसस्पेसिफिकेशन-अवेयर अनिश्चितता परिमाणीकरण योजना प्रस्तुत करता है जो मॉडल एनसेंबल में उपयोगकर्ता-निर्धारित भौतिक पूर्वधारणाओं (फिजिकल प्रायर्स) को एकीकृत करता है, जिससे फोनोनिक वाइब्रेशन और इलास्टिक गुणों जैसे अनुप्रयोगों के लिए डेटासेट निर्माण की कम्प्यूटेशनल लागत को कम करते हुए भौतिक निरंतरता सुनिश्चित होती है।

मूल लेखक: George I. Simmons, Thomas D. Swinburne, Thomas Hudson, James R. Kermode

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

मूल लेखक: George I. Simmons, Thomas D. Swinburne, Thomas Hudson, 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

पदार्थों के व्यवहार को समझने की खोज में, वैज्ञानिक अक्सर शक्तिशाली कंप्यूटर सिमुलेशन पर भरोसा करते हैं। इन सिमुलेशन को कुशलतापूर्वक चलाने के लिए, वे इंटरएटोमिक पोटेंशियल (interatomic potentials) नामक सरलीकृत मॉडलों का उपयोग करते हैं। इन मॉडलों को ऐसे नियमों के एक सेट के रूप में सोचें जो कंप्यूटर को बताते हैं कि परमाणु एक-दूसरे पर कैसे धक्का देते हैं और खींचते हैं, जिससे शोधकर्ता यह अनुमान लगा सकते हैं कि एक धातु कैसे मुड़ती है या एक क्रिस्टल कैसे पिघलता है, बिना हर एक परमाणु के लिए क्वांटम भौतिकी के सबसे जटिल समीकरणों को हल किए। हालाँकि, ये सरलीकृत नियम कभी भी पूर्ण नहीं होते। वे सन्निकटन (approximations) हैं, और क्योंकि वे सन्निकटन हैं, वे कभी-कभी सिमुलेशन को गलत दिशा में ले जा सकते हैं, यह भविष्यवाणी कर सकते हैं कि एक स्थिर सामग्री अचानक ढह जाएगी या एक परमाणु उस तरह से कंपन करेगा जो भौतिकी के अनुसार असंभव है। वैज्ञानिकों के लिए चुनौती केवल एक भविष्यवाणी करना नहीं है, बल्कि यह जानना भी है कि वे उस पर कितना भरोसा कर सकते हैं, विशेष रूप से जब मॉडल स्वयं अपने डिज़ाइन में मौलिक रूप से त्रुटिपूर्ण हो सकता है।

शोधकर्ताओं की एक टीम ने इस समस्या को ठीक करने का एक नया तरीका विकसित किया है, जो इन कंप्यूटर मॉडलों को सीखते समय भौतिकी के बुनियादी नियमों का सम्मान करना सिखाता है। हाल ही के एक अध्ययन में, उन्होंने एक ऐसी विधि पेश की जो एक सुरक्षा जाल (safety net) की तरह कार्य करती है, यह सुनिश्चित करती है कि कंप्यूटर की भविष्यवाणियाँ भौतिक वास्तविकता के दायरे में रहें। शोधकर्ताओं ने अनिश्चितता परिमाणीकरण (uncertainty quantification) नामक एक तकनीक पर ध्यान केंद्रित किया, जो अनिवार्य रूप से एक कंप्यूटर मॉडल के लिए यह कहने का एक तरीका है कि, "मैं इस उत्तर के बारे में पूरी तरह से आश्वस्त नहीं हूँ।" पिछले तरीके मॉडल को यह बता सकते थे कि वह अपनी अनिश्चितता के बारे में कितना अनिश्चित था, लेकिन वे अक्सर मॉडल को भौतिक रूप से असंभव भविष्यवाणियां करने से रोकने में विफल रहे, जैसे कि यह सुझाव देना कि एक क्रिस्टल जाली (crystal lattice) काल्पनिक गति से कंपन करेगी या एक ठोस सामग्री में नकारात्मक कठोरता (negative stiffness) होगी। नया दृष्टिकोण अनिश्चितता को मापने की क्षमता को सख्त भौतिक नियमों के साथ जोड़ता है, जो मॉडल को अपनी सीमाओं को स्वीकार करने के लिए मजबूर करता है, बिना उन मौलिक सिद्धांतों का उल्लंघन किए जो पदार्थ के बने रहने को नियंत्रित करते हैं।

इस कार्य के मूल में एक विशिष्ट प्रकार का मशीन लर्निंग मॉडल शामिल है जिसे मशीन लर्निंग इंटरएटोमिक पोटेंशियल कहा जाता है। इन मॉडलों को अत्यधिक सटीक, लेकिन अत्यंत धीमी, क्वांटम मैकेनिकल गणनाओं से उत्पन्न डेटा पर प्रशिक्षित किया जाता है। लक्ष्य एक तेज़ मॉडल बनाना है जो इन धीमी गणनाओं की नकल कर सके। हालाँकि, क्योंकि तेज़ मॉडल जटिल क्वांटम दुनिया के हर विवरण को कैप्चर नहीं कर सकता, इसलिए वह अनिवार्य रूप से गलतियाँ करता है। शोधकर्ताओं ने पॉइंटवाइज़ ऑप्टिमल पैरामीटर सेट रिग्रेशन (Pointwise Optimal Parameter Set Regression) नामक एक विधि का उपयोग किया, जो केवल एक एकल "सर्वश्रेष्ठ" मॉडल के बजाय मॉडलों का एक पूरा परिवार उत्पन्न करता है। मॉडलों का यह परिवार वैज्ञानिकों को संभावित परिणामों की सीमा को समझने में मदद करता है। इस विधि के साथ समस्या, अब तक, यह थी कि इस परिवार के कुछ मॉडल भविष्यवाणी कर सकते थे कि एक सामग्री अस्थिर है या उसके परमाणु उन तरीकों से व्यवहार करते हैं जो भौतिकी के नियमों को चुनौती देते हैं। इस नए अध्ययन ने इस समस्या को प्रशिक्षण प्रक्रिया के दौरान बाधाओं (constraints) की एक परत जोड़कर हल किया है। ये बाधाएं गार्डरेल (guardrails) के रूपв की तरह कार्य करती हैं, यह सुनिश्चित करती हैं कि परिवार का प्रत्येक मॉडल विशिष्ट भौतिक सत्यों का सम्मान करे, जैसे कि एक क्रिस्टल का एक स्थिर आकार होना चाहिए और उसका कंपन वास्तविक, मापने योग्य मात्रा होनी चाहिए।

अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एल्युमीनियम, जो एक सामान्य धातु है, पर इस विधि को लागू किया। उन्होंने अपने मॉडलों को हजारों परमाणु विन्यासों (atomic configurations) वाले एक डेटासेट पर प्रशिक्षित किया। एक प्रयोग में, उन्होंने परमाणुओं के कंपन पर ध्यान केंद्रित किया, जिन्हें फोनन (phonons) कहा जाता है। एक स्थिर क्रिस्टल में, ये कंपन वास्तविक आवृत्तियों (frequencies) के होने चाहिए; यदि कोई मॉडल काल्पनिक आवृत्ति के साथ कंपन की भविष्यवाणी करता है, तो इसका अर्थ है कि क्रिस्टल बिखर रहा है। शोधकर्ताओं ने पाया कि बिना इन नए प्रतिबंधों के, मानक विधि ने मॉडलों का एक ऐसा परिवार तैयार किया जहाँ कई सदस्यों ने इन असंभव, काल्पनिक कंपनों की भविष्यवाणी की, जो यह संकेत देता था कि सामग्री अस्थिर है जबकि उसे ठोस होना चाहिए। भौतिक नियम को लागू करके कि ये कंपन वास्तविक होने चाहिए, उन्होंने असंभव मॉडलों को फ़िल्टर कर दिया। परिणाम यह था कि भविष्यवाणियों का एक सेट जो मॉडल की सीमाओं को दर्शाने के लिए पर्याप्त अनिश्चित बना रहा, लेकिन भौतिक रूप से सुसंगत था। प्रतिबंधित मॉडलों ने सही ढंग से भविष्यवाणी की कि एल्युमीनियम क्रिस्टल स्थिर रहेगा, जबकि अनियंत्रित मॉडलों ने अक्सर ऐसा करने में विफल रहे।

टीम ने यह भी देखा कि सामग्री दबने या खिंचने पर कैसे प्रतिक्रिया करती है, जो इलास्टिक कांस्टेंट्स (elastic constants) द्वारा वर्णित एक गुण है। उन्होंने एक अधिक जटिल न्यूरल नेटवर्क मॉडल, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो डेटा में पैटर्न सीखता है, को प्रशिक्षित किया और उसी भौतिक बाधाओं को लागू किया। उन्होंने मॉडल को एल्युमीनियम क्रिस्टल के आकार और उसकी कठोरता के ज्ञात प्रयोगात्मक मूल्यों के साथ सहमत होने के लिए मजबूर किया, लेकिन केवल एक बहुत छोटे त्रुटि मार्जिन के भीतर। इसने मॉडल को पूर्ण बनाने के लिए मजबूर नहीं किया; इसके बजाय, इसने मॉडल को एक यथार्थवादी सीमा के भीतर रहने के लिए निर्देशित किया। जब उन्होंने मॉडल का अन्य गुणों पर परीक्षण किया, जैसे कि एक गायब परमाणु (vacancy) कितनी आसानी से क्रिस्टल के माध्यम से जा सकता है, तो उन्होंने पाया कि बाधाओं ने मॉडल की इन नए व्यवहारों की भविष्यवाणी करने की क्षमता को नष्ट नहीं किया। मॉडल जटिल परमाणु आंदोलनों को सीखने के लिए पर्याप्त लचीला बना रहा, जबकि वह इस तथ्य से बंधा हुआ था कि पदार्थ वास्तव में कैसे व्यवहार करता है।

इस कार्य का महत्व दो प्रतिस्पर्धी आवश्यकताओं को संतुलित करने की इसकी क्षमता में निहित है: एक मॉडल की यह स्वीकार करने की आवश्यकता कि वह क्या नहीं जानता है, और दूसरी यह आवश्यकता कि वह कभी भी भौतिक रूप से असंभव बात न कहे। अतीत में, वैज्ञानिकों को एक ऐसे मॉडल को चुनना पड़ता था जो बहुत अनिश्चित लेकिन भौतिक रूप से सुरक्षित था, या एक ऐसा मॉडल जो सटीक था लेकिन निरर्थक बातों की ओर बढ़ सकता था। यह नया तरीका उन्हें दोनों प्रदान करता है। मशीन लर्निंग के तरीके में भौतिक नियमों को सीधे शामिल करके, शोधकर्ता यह सुनिश्चित करते हैं कि उनके द्वारा मापी गई अनिश्चितता सार्थक है। यह उन्हें बताता है कि मॉडल का डिज़ाइन कितना कम है, न कि केवल डेटा कितना शोर (noisy) वाला है। यह विशेष रूप से विभिन्न तापमानों या विभिन्न दबावों पर सामग्रियों के अनुकरण (simulating) के लिए महत्वपूर्ण है, जहाँ छोटी त्रुटियाँ इस बारे में बड़े, गलत निष्कर्षों की ओर ले जा सकती हैं कि कोई सामग्री कब पिघलेगी या कब टूटेगी।

शोधकर्ताओं ने प्रदर्शित किया कि उनका दृष्टिकोण सरल रैखिक समीकरणों से लेकर जटिल न्यूरल नेटवर्क तक, विभिन्न प्रकार के मॉडलों के लिए काम करता है। उन्होंने दिखाया कि भले ही प्रशिक्षण डेटा सीमित था, विधि भौतिक बाधाओं का सहारा लेकर विश्वसनीय परिणाम उत्पन्न कर सकती है। उदाहरण के लिए, जब उन्होंने 200 केल्विन के तापमान पर एल्युमीनियम का अनुकरण किया, तो अनियंत्रित मॉडलों ने एक अराजक संरचना की भविष्यवाणी की जो क्रिस्टल जैसा नहीं दिखता था। हालांकि, प्रतिबंधित मॉडलों ने सही क्रिस्टल संरचना बनाए रखी, जो परमाणुओं की व्यवस्था में स्पष्ट शिखर (peaks) दिखाते थे जो एक ठोस धातु के लिए अपेक्षित है। यह सुझाव देता है कि यह विधि उन सिमुलेशन को बचा सकती है जो अन्यथा विफल हो जाते, जिससे वैज्ञानिकों को लंबी और अधिक जटिल प्रयोग चलाने की अनुमति मिलती है बिना इस चिंता के कि मॉडल भौतिक असंभवता की ओर भटक गया है।

अंततः, यह शोध उन वैज्ञानिकों के लिए एक व्यावहारिक उपकरण प्रदान करता है जो सामग्रियों का डिज़ाइन करते हैं। यह ज्ञात तथ्यों को, जैसे कि एक क्रिस्टल का आकार या एक धातु के माध्यम से ध्वनि की गति, सीधे कंप्यूटर मॉडल के सीखने की प्रक्रिया में शामिल करने का एक तरीका प्रदान करता है। यह मॉडल की बुनियादी त्रुटियों को ठीक करने के लिए विशाल मात्रा में नया डेटा उत्पन्न करने की आवश्यकता को कम करता है। कंप्यूटर को यह बताने के बजाय कि सामग्री को कैसे व्यवहार करना चाहिए, वैज्ञानिक बस उसे वे नियम बता सकते हैं जिनका उसे पालन करना चाहिए। यह मॉडल बनाने की प्रक्रिया को तेज़ और अधिक कुशल बनाता है। यह विधि लचीली है, जिसका अर्थ है कि इसे कई अलग-अलग सामग्रियों और गुणों पर लागू किया जा सकता है, जब तक कि उन गुणों को गणितीय नियमों के एक सेट द्वारा वर्णित किया जा सके जिसे कंप्यूटर जांच सकता है।

अध्ययन निष्कर्ष निकालता है कि हालांकि कोई भी मॉडल क्वांटम दुनिया की जटिलता को पूरी तरह से दोहरा नहीं सकता है, हम ऐसे मॉडल बना सकते हैं जो अपनी सीमाओं के बारे में ईमानदार हों बिना भौतिक वास्तविकता का त्याग किए। इन भौतिक पूर्व धारणाओं (priors) को लागू करके, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जहाँ अनिश्चितता केवल संदेह का माप नहीं है, बल्कि यह मापने का एक तरीका है कि मॉडल का डिज़ाइन वास्तविक भौतिकी से कितना भिन्न है, जबकि भविष्यवाणियों को वास्तविकता में स्थापित रखा गया है। यह दृष्टिकोण जटिल प्रक्रियाओं, जैसे कि सामग्रियां तनाव के तहत कैसे विकृत होती हैं या अत्यधिक गर्मी के प्रति कैसे प्रतिक्रिया करती हैं, के अधिक विश्वसनीय सिमुलेशन के द्वार खोलता है, जिससे वैज्ञानिकों को भविष्य की सामग्रियों को डिजाइन करने के लिए उपयोग किए जाने वाले परिणामों पर अधिक विश्वास मिलता 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 →