← नवीनतम पेपर
🔬 सामग्री विज्ञान

Machine Learning the GWGW Self-Energy Operator for Real Materials

यह शोध पत्र एक फेज़-अवेयर (phase-aware) मेनी-बॉडी ट्रांसफॉर्मर प्रस्तुत करता है जो वास्तविक सामग्रियों के लिए पूर्ण k-रिज़ॉल्व्ड कॉम्प्लेक्स सेल्फ-एनर्जी मैट्रिक्स की भविष्यवाणी करता है, जो स्टैटिक COHSEX और प्लास्मोन-पोल सन्निकटन (approximations) के तहत गणना किए गए 2D सामग्रियों के डेटासेट्स में क्वैसीपार्टिकल ऊर्जाओं के लिए निम्न माध्य निरपेक्ष त्रुटि (mean absolute errors) प्राप्त करता है और तरंग फलनों (wavefunctions) को सटीक रूप से पुनरुत्पादित करता है।

मूल लेखक: Xian Xu, Bowen Hou, Chengyan Zhang, Diana Y. Qiu

प्रकाशित 2026-11-17
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Xian Xu, Bowen Hou, Chengyan Zhang, Diana Y. Qiu

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

पदार्थ की भौतिक दुनिया को समझने के लिए, वैज्ञानिक अक्सर इस बात पर ध्यान केंद्रित करते हैं कि एक ठोस (solid) के भीतर इलेक्ट्रॉन कैसे चलते हैं। दशकों से, इस काम के लिए मानक उपकरण के रूप में 'डेंसिटी फंक्शनल थ्योरी' (density functional theory) नामक एक विधि का उपयोग किया जाता रहा है। यह परमाणुओं की बुनियादी संरचना और उनके आपस में जुड़ने के तरीके को मैप करने के लिए अविश्वसनीय रूप से उपयोगी है, लेकिन इसकी एक कमी है। इसके द्वारा गणना किए गए ऊर्जा स्तर गणितीय शॉर्टकट हैं जो कुछ चीजों के लिए तो अच्छे काम करते हैं, फिर भी वे उन सटीक ऊर्जाओं की भविष्यवाणी करने में विफल रहते हैं जो तब मापी जाती हैं जब प्रकाश किसी पदार्थ से टकराता है या जब इलेक्ट्रॉन टनलिंग (tunneling) करते हैं। ये वास्तविक दुनिया के माप, जिन्हें 'क्वासिपार्टिकल एनर्जी' (quasiparticle energies) कहा जाता है, इस बात पर निर्भर करते हैं कि इलेक्ट्रॉन एक जटिल और भीड़भाड़ वाले नृत्य की तरह एक-दूसरे के साथ कैसे परस्पर क्रिया करते हैं। इसे पकड़ने के लिए, भौतिक विज्ञानी 'GW एप्रोक्सिमेशन' (GW approximation) नामक अधिक कठोर दृष्टिकोण का उपयोग करते हैं। यह सटीकता के लिए स्वर्ण मानक (gold standard) है, लेकिन यह इतना गणनात्मक रूप से भारी है कि शक्तिशाली सुपरकंप्यूटरों पर एक एकल सामग्री को चलाने में कई दिन या सप्ताह लग सकते हैं, जिससे तकनीक के लिए संभावित उपयोग हेतु हजारों नई सामग्रियों की स्क्रीनिंग करना असंभव हो जाता है।

येल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने अब इस उच्च-सटीक विधि को सटीकता से समझौता किए बिना गति के क्षेत्र में लाने का एक तरीका खोज लिया है। उन्होंने एक मशीन लर्निंग सिस्टम को प्रशिक्षित किया है जो केवल अंतिम ऊर्जा संख्याओं का अनुमान लगाने के बजाय इलेक्ट्रॉन अंतःक्रियाओं (interactions) के पूर्ण, जटिल मानचित्र की भविष्यवाणी करता है। नवंबर 2026 में एक प्रीप्रिंट के रूप में जारी अपने अध्ययन में, शोधकर्ताओं ने अपने मॉडल को दो-आयामी (two-dimensional) अर्धचालकों (semiconductors) के एक विशाल संग्रह पर लागू किया। इस प्रणाली ने 'सेल्फ-एनर्जी ऑपरेटर' (self-energy operator) को भविष्यवाणी करना सीखा, जो एक गणितीय वस्तु है जो यह वर्णन करती है कि एक इलेक्ट्रॉन आसपास के अन्य सभी इलेक्ट्रॉनों की उपस्थिति को कैसे महसूस करता है। इस ऑपरेटर में महारत हासिल करके, मॉडल तुरंत संशोधित ऊर्जा स्तरों और इलेक्ट्रॉन तरंगों के आकार को हजारों सामग्रियों के लिए उत्पन्न कर सका। परिणाम चौंकाने वाले थे: 1,745 सामग्रियों के एक डेटासेट के लिए, मॉडल की भविष्यवाणियां औसतन केवल 29 मिली-इलेक्ट्रॉनवोल्ट (millielectronvolts) की त्रुटि से विचलित थीं, जो कि मूल, धीमी गणनाओं की लागत के बराबर एक बहुत ही सूक्ष्म अंतर है।

शोधकर्ताओं के सामने मुख्य चुनौती यह थी कि जिन इलेक्ट्रॉन अंतःक्रियाओं की उन्हें भविष्यवाणी करने की आवश्यकता थी, वे सरल संख्याएं नहीं हैं। वे जटिल मान (values) हैं जो परिमाण (magnitude) और एक चरण (phase) दोनों वहन करते हैं, जो इलेक्ट्रॉन की तरंग के समय (timing) का वर्णन करता है। यदि कंप्यूटर मॉडल चरण को थोड़ा भी गलत करता है, तो अंतिम ऊर्जा स्तरों की गणना करते समय पूरी भविष्यवाणी विफल हो सकती है। इस कार्य के लिए मशीन लर्निंग का उपयोग करने के पिछले प्रयास केवल अंतिम ऊर्जा संख्याओं पर केंद्रित थे, जिसमें अंतर्नि층 जटिल संरचना की अनदेखी की गई थी। येल की टीम ने महसूस किया कि ऊर्जा को सही पाने के लिए, मॉडल को पूर्ण तरंग व्यवहार (wave behavior) को समझना होगा। उन्होंने एक नया प्रकार का आर्टिफिशियल इंटेलिजेंस आर्किटेक्चर बनाया, एक 'ट्रांसफॉर्मर' (transformer), जो डेटा की विशाल मात्रा में पैटर्न खोजने की अपनी क्षमता के लिए जाना जाने वाला एक डिज़ाइन है। हालांकि, उन्हें इसे क्वांटम यांत्रिकी के विशिष्ट नियमों का सम्मान करने के लिए संशोधित करना पड़ा, यह सुनिश्चित करने के लिए कि विभिन्न इलेक्ट्रॉन अवस्थाओं के बीच सापेक्ष समय (relative timing) सुसंगत रहे, चाहे डेटा को कैसे भी घुमाया या स्थानांतरित किया जाए।

सिस्टम को सिखाने के लिए, शोधकर्ताओं ने पहले पारंपरिक धीमे GW गणनाओं का उपयोग करके प्रशिक्षण डेटा का एक विशाल पुस्तकालय तैयार किया। उन्होंने दो अलग-अलग डेटा सेट बनाए: एक स्थिर सन्निकटन (static approximation) पर आधारित जो गणना करने में तेज़ है, और दूसरा एक अधिक गतिशील मॉडल पर आधारित जो समय के साथ परिवर्तनों के प्रति इलेक्ट्रॉन कैसे प्रतिक्रिया देते हैं, इसका हिसाब रखता है। मशीन लर्निंग मॉडल को मानक गणना से बुनियादी इलेक्ट्रॉन अवस्थाओं को देखने और पूर्ण, जटिल अंतःक्रिया मैट्रिक्स (interaction matrix) की भविष्यवाणी करने के लिए प्रशिक्षित किया गया था। एक प्रमुख नवाचार 'जॉइंट ट्रेनिंग' (joint training) नामक एक तकनीक थी, जहाँ मॉडल ने इलेक्ट्रॉन तरंग जानकारी को संकुचित करने और अंतःक्रियाओं की भविष्यवाणी करने को एक साथ सीखा। इस प्रक्रिया ने सिस्टम को डेटा को इस तरह व्यवस्थित करने के लिए मजबूर किया जो अंतिम भविष्यवाणी के लिए सबसे महत्वपूर्ण विशेषताओं को उजागर करता है, न कि केवल तरंगों के आकार को याद करता है। परिणाम स्वरूप एक ऐसा प्रतिनिधित्व प्राप्त हुआ जो संक्षिप्त भी था और भौतिक रूप से सार्थक भी।

जब मॉडल का परीक्षण उन सामग्रियों पर किया गया जिन्हें उसने पहले कभी नहीं देखा था, तो इसने उल्लेखनीय सटीकता के साथ प्रदर्शन किया। 1,745 दो-आयामी सामग्रियों के स्थिर डेटासेट के लिए, अनुमानित ऊर्जा स्तरों में औसत त्रुटि 29 मिली-इलेक्ट्रॉनवोल्ट थी। गतिशील मॉडल के साथ गणना की गई 433 सामग्रियों के एक छोटे, अधिक कठिन डेटासेट के लिए, त्रुटि 60 मिली-इलेक्ट्रॉनवोल्ट थी। ये संख्याएं वास्तविक दुनिया के अनुप्रयोगों के लिए पर्याप्त छोटी हैं। इससे भी महत्वपूर्ण बात यह है कि मॉडल ने केवल ऊर्जा संख्याओं की भविष्यवाणी नहीं की; इसने पूर्ण 'वेवफंक्शंस' (wavefunctions) को सफलतापूर्वक पुनर्गठित किया, जो इलेक्ट्रॉनों के स्थानिक वितरण (spatial distribution) का वर्णन करते हैं। यह एक महत्वपूर्ण अंतर है क्योंकि कई उन्नत गणनाओं, जैसे कि यह समझने के लिए कि सामग्रियां ऊष्मा का संचालन कैसे करती हैं या प्रकाश के प्रति कैसे प्रतिक्रिया करती हैं, पूर्ण वेवफंक्शन की आवश्यकता होती है, न कि केवल ऊर्जा की। शोधकर्ताओं ने दिखाया कि मॉडल इन वेवफंक्शंस को उच्च निष्ठा (fidelity) के साथ पुनरुत्पादित कर सकता है, जिसका अर्थ है कि भविष्यवाणियों का उपयोग उन जटिल सिमुलेशन के लिए किया जा सकता है जो पहले पहुंच से बाहर थे।

अध्ययन में यह भी पता लगाया गया कि मॉडल को और अधिक कुशल कैसे बनाया जाए। शोधकर्ताओं ने पाया कि यदि वे पहले मॉडल को सस्ते, स्थिर डेटा पर प्रशिक्षित करते हैं और फिर उसे अधिक महंगे, गतिशील डेटा पर फाइन-ट्यून (fine-tune) करते हैं, तो सटीकता में काफी सुधार होता है। इस दृष्टिकोण ने गतिशील भविष्यवाणियों के लिए त्रुटि को घटाकर 42 मिली-इलेक्ट्रॉनवोल्ट कर दिया, जो एक ऐसा प्रदर्शन स्तर है जो बताता है कि मॉडल ने इलेक्ट्रॉन अंतःक्रियाओं की एक सार्वभौमिक भाषा सीख ली है जो विभिन्न प्रकार की सामग्रियों पर लागू होती है। यह हस्तांतरणीयता (transferability) महत्वपूर्ण है क्योंकि इसका मतलब है कि मॉडल को हर नए प्रकार की सामग्री के लिए शून्य से फिर से प्रशिक्षित करने की आवश्यकता नहीं है। इसके बजाय, यह कम मात्रा में उच्च-गुणवत्ता वाले डेटा का उपयोग करके अधिक जटिल परिदृश्यों के लिए अपनी समझ को परिष्कृत करने के लिए तेजी से अनुकूलित हो सकता है।

इस कार्य के निहितार्थ केवल परीक्षण की गई विशिष्ट सामग्रियों तक ही सीमित नहीं हैं। सफलतापूर्वक पूर्ण 'सेल्फ-एनर्जी मैट्रिक्स' की भविष्यवाणी करके, शोधकर्ताओं ने वैज्ञानिक गणनाओं की एक विस्तृत श्रृंखला को तेज करने का द्वार खोल दिया है। वे कार्य जिनके लिए पहले सुपरकंप्यूटर के हफ्तों के समय की आवश्यकता होती थी, जैसे कि क्रिस्टल लैटिस में इलेक्ट्रॉनों की कंपन के साथ अंतःक्रिया की गणना करना या चरम स्थितियों में सामग्रियों के व्यवहार का अनुकरण करना, अब एक सिंगल ग्राफिक्स प्रोसेसर (GPU) पर सेकंडों में चलने वाले टूल के माध्यम से किए जा सकते हैं। यह मॉडल मशीन लर्निंग की गति और क्वांटम भौतिकी की कठोरता के बीच एक सेतु प्रदान करता है, जिससे वैज्ञानिकों के लिए सौर सेल, बैटरी और क्वांटम उपकरणों के लिए संभावित सामग्रियों के विशाल पुस्तकालयों की स्क्रीनिंग करना संभव हो जाता है, वह भी उस स्तर की सटीकता के साथ जो पहले असंभव थी। यह कार्य प्रदर्शित करता है कि मशीन लर्निंग केवल 'कर्व-फिटिंग' (curve-fitting) से आगे बढ़कर पदार्थ के व्यवहार को नियंत्रित करने वाले मौलिक ऑपरेटरों को सीखने में सक्षम है, जो भौतिक विज्ञान में खोज का एक नया मार्ग प्रस्तुत करता 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 →