← नवीनतम पेपर
🔬 सामग्री विज्ञान

Are Scaling Laws of Universal MLIPs Universal?

यह अध्ययन प्रदर्शित करता है कि जबकि डेटासेट का आकार बढ़ाने से मशीन-लर्नड इंटरएटॉमिक पोटेंशियल (MLIP) के प्रदर्शन में सुधार होता है, स्केलिंग व्यवहार और सैंपल दक्षता सार्वभौमिक नहीं हैं बल्कि मॉडल आर्किटेक्चर, लक्षित गुणों, डेटा सैंपलिंग रणनीतियों और टेस्ट सेट के रासायनिक वितरण के बीच परस्पर क्रिया पर महत्वपूर्ण रूप से निर्भर करती हैं।

मूल लेखक: Theo Keane, Anthony Onwuli, Richard Tomsett, Robert M. Forrest, Jonathan J. Bean

प्रकाशित 2026-11-13
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Theo Keane, Anthony Onwuli, Richard Tomsett, Robert M. Forrest, Jonathan J. Bean

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

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक नया पदार्थ कैसे व्यवहार करेगा, और इसके लिए आप परमाणुओं की गति को देख रहे हैं। ऐसा करने के लिए, वैज्ञानिक आमतौर पर एक शक्तिशाली लेकिन अविश्वसनीय रूप से धीमी कंप्यूटर विधि पर निर्भर करते हैं जिसे 'डेंसिटी फंक्शनल थ्योरी' (density functional theory) कहा जाता है। यह एक संरचना में प्रत्येक इलेक्ट्रॉन के जटिल क्वांटम मैकेनिक्स को हल करती है, लेकिन इसे पूरा करने में लगने वाला समय इतनी तेजी से बढ़ता है कि सामग्री की एक मामूली मात्रा का अनुकरण (सिमुलेशन) करने में भी कई दिन या सप्ताह लग सकते हैं। इसे तेज करने के लिए, शोधकर्ताओं ने "मशीन-लर्नड इंटरएटॉमिक पोटेंशियल" (machine-learned interatomic potentials) विकसित किए हैं। इन्हें स्मार्ट शॉर्टकट के रूप में समझें: एक ऐसा कंप्यूटर प्रोग्राम जिसे हजारों महंगी क्वांटम गणनाओं पर प्रशिक्षित किया गया है ताकि वह परमाणुओं के बीच की ऊर्जा और बलों का अनुमान लगभग तुरंत लगा सके। ये शॉर्टकट वैज्ञानिकों को घंटों या दिनों में सामग्रियों का अनुकरण करने की अनुमति देते हैं, जिससे नई बैटरियों, सुपरकंडक्टर्स और मजबूत मिश्र धातुओं की खोज का मार्ग प्रशस्त होता है।

हालाँकि, इन शॉर्टकटों को प्रशिक्षित करना महंगा है। मॉडल को सिखाने के लिए उपयोग किए जाने वाले प्रत्येक डेटा के लिए एक धीमी, महंगी क्वांटम गणना की आवश्यकता होती है। यह इस क्षेत्र के लिए एक महत्वपूर्ण प्रश्न खड़ा करता है: यदि आपके पास प्रशिक्षण डेटा उत्पन्न करने के लिए एक सीमित बजट है, तो आपको इसे कैसे खर्च करना चाहिए? क्या आपको बस संरचनाओं का एक यादृच्छिक (रैंडम) मिश्रण लेना चाहिए, या क्या उन्हें चुनने का कोई स्मार्ट तरीका है? वर्षों से, यह धारणा रही है कि अधिक डेटा हमेशा बेहतर होता है, और विविध उदाहरणों को चुनना—जैसे कि विभिन्न रासायनिक तत्वों या क्रिस्टल आकृतियों का एक विस्तृत मिश्रण सुनिश्चित करना—मॉडल को तेजी से और अधिक कुशलता से सीखने में मदद करेगा। यह विचार, जिसे "स्केलिंग लॉ" (scaling law) कहा जाता है, यह सुझाव देता है कि प्रदर्शन अनुमानित रूप से बेहतर होता है जैसे-जैसे आप अधिक प्रशिक्षण उदाहरण जोड़ते हैं, ठीक वैसे ही जैसे एक छात्र अभ्यास समस्याओं के अधिक प्रश्न हल करके अपने टेस्ट स्कोर में सुधार कर सकता है।

शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ मिलाया कि क्या यह स्केलिंग लॉ इन परमाणु मॉडलों के लिए वास्तवв सार्वभौमिक है। उन्होंने तीन अलग-अलग प्रकार के मशीन-लर्नड पोटेंशियल लिए और उन्हें दस लाख से अधिक परमाणु संरचनाओं के विशाल पूल पर प्रशिक्षित किया। केवल पूरे पूल का उपयोग करने के बजाय, उन्होंने 10,000 से 640,000 संरचनाओं की छोटी प्रशिक्षण सेट बनाईं। महत्वपूर्ण रूप से, उन्होंने इन संरचनाओं को केवल यादृच्छिक रूप से नहीं चुना। उन्होंने कई अलग-अलग रणनीतियों का परीक्षण किया: कुछ ने रासायनिक तत्वों का संतुलित मिश्रण सुनिश्चित करने के लिए संरचनाएं चुनीं, कुछ ने विभिन्न क्रिस्टल फॉर्मूलों को संतुलित करने का प्रयास किया, और कुछ ने डेटा के जटिल गणितीय मानचित्रों का उपयोग करके सबसे "विविध" या "दूर स्थित" उदाहरणों को चुना। इसके बाद, उन्होंने दो अलग-अलग चुनौतियों पर अपने मॉडलों के प्रदर्शन का परीक्षण किया: एक जो उनके प्रशिक्षण डेटा जैसा दिखता था, और दूसरा जो एक थोड़े अलग, स्थानांतरित प्रकार की सामग्री का प्रतिनिधित्व करता था।

परिणामों ने इस आम धारणा को चुनौती दी कि अधिक विविधता स्वतः ही बेहतर मॉडल की ओर ले जाती है। शोधकर्ताओं ने पाया कि यह विचार कि अधिक डेटा के साथ मॉडल में सुधार के लिए एक एकल, सार्वभौमिक नियम मौजूद है, टिक नहीं पाता है। मॉडल के बेहतर होने की गति इस बात पर बहुत अधिक निर्भर थी कि किस विशिष्ट मॉडल आर्किटेक्चर का उपयोग किया गया था, किस भौतिक गुण की भविष्यवाणी की जा रही थी, और सबसे आश्चर्यजनक रूप से, सफलता को मापने के लिए किस टेस्ट सेट का उपयोग किया गया था। कई मामलों में, संरचनाओं को यादृच्छिक रूप से चुनने की सरल रणनीति ने उन परिष्कृत तरीकों के समान या उनसे बेहतर प्रदर्शन किया जो विविधता को अधिकतम करने के लिए बनाए गए थे।

सबसे चौंकाने वाला निष्कर्ष यह था कि डेटा चुनने का "सर्वश्रेष्ठ" तरीका इस बात पर निर्भर करता था कि मॉडल का परीक्षण कहाँ किया जा रहा है। एक रणनीति जिसने मॉडल के प्रदर्शन को एक प्रकार की सामग्री पर सुधारा, उसने दूसरी सामग्री पर प्रदर्शन को वास्तव में खराब कर दिया। उदाहरण के लिए, एक विधि जिसने प्रशिक्षण सेट में रासायनिक तत्वों को सावधानीपूर्वक संतुलित किया, उसने स्थानांतरित सामग्री के गुणों की भविष्यवाणी करने में मॉडल की मदद की, लेकिन मूल सामग्री पर इसके प्रदर्शन को थोड़ा नुकसान पहुँचाया। इसके विपरीत, उन तरीकों ने जो सबसे गणितीय रूप से विविध संरचनाओं को चुनने की कोशिश करते थे, रैंडम चयन की तुलना में खराब प्रदर्शन किया। अध्ययन ने दिखाया कि एक अच्छे प्रशिक्षण सेट की कुंजी केवल उदाहरणों की बड़ी संख्या नहीं है, बल्कि ऐसे उदाहरण हैं जो उस विशिष्ट रासायनिक दुनिया से मेल खाते हों जहाँ मॉडल अंततः उपयोग किया जाएगा।

शोधकर्ताओं ने यह भी पाया कि सभी भविष्यवाणियां एक ही गति से आसान नहीं होती हैं। जैसे-जैसे मॉडलों ने अधिक डेटा देखा, एक संरचना की कुल ऊर्जा की भविष्यवाणी करने की उनकी क्षमता, व्यक्तिगत परमाणुओं पर लगने वाले बल या सामग्री के भीतर के तनाव (स्ट्रेस) की भविष्यवाणी करने की उनकी क्षमता की तुलना में बहुत तेजी से सुधरी। यह सुझाव देता है कि यदि कोई वैज्ञानिक केवल इस बात पर ध्यान देता है कि मॉडल ऊर्जा की कितनी अच्छी तरह भविष्यवाणी करता है, तो वे इस बारे में बहुत आशावादी दृष्टिकोण प्राप्त कर सकते हैं कि मॉडल बलों और तनावों जैसी अधिक कठिन कार्यों को संभालने में कितनी तेजी से सीख रहा है।

अंततः, अध्ययन यह निष्कर्ष निकालता है कि प्रशिक्षण डेटा चुनने के लिए कोई एक "जादुई समाधान" (मैजिक बुलेट) नहीं है। अधिक महंगी गणनाओं को जोड़ने का मूल्य पूरी तरह से संदर्भ पर निर्भर करता है। यदि किसी मॉडल को एक विशिष्ट अनुप्रयोग के लिए बनाया गया है, तो प्रशिक्षण डेटा को उस अनुप्रयोग के रासायनिक और संरचनात्मक वातावरण के अनुरूप होना चाहिए। समस्या में केवल अधिक डेटा डाल देना, या बिना किसी लक्षित उपयोग के अधिकतम विविधता लाने का प्रयास करना, अपेक्षित सुधार नहीं दे सकता है। बेहतर सामग्री की खोज का मार्ग केवल अधिक डेटा एकत्र करने में नहीं, बल्कि काम के लिए सही डेटा एकत्र करने 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।

Digest आज़माएँ →