Detecting False Self-Consistency in Density-Functional Calculations
यह शोध पत्र प्रकट करता है कि घनत्व-फलक गणनाओं (density-functional calculations) में मानक अभिसरण मानदंड (convergence criteria) समाधान को अभिसरित घोषित कर सकते हैं जबकि वह वास्तविक जमीनी अवस्था (ground state) की तुलना में काफी उच्च ऊर्जा पर बना रहता है, और विभिन्न सामग्रियों एवं कोड्स में इन विसंगतियों का पता लगाने के लिए एक वेरिएशनल डिसेंट प्रोब (variational descent probe) और एक फ्रोजन-ऑर्बिटल जेनाक टेस्ट (frozen-orbital Janak test) पेश करता है।
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
बेहतर बैटरी, मजबूत मिश्र धातुओं और अधिक कुशल सौर सेल डिजाइन करने की आधुनिक खोज में, वैज्ञानिक घनत्व-कार्यात्मक सिद्धांत (density-functional theory) नामक एक शक्तिशाली कम्प्यूटेशनल उपकरण पर बहुत अधिक भरोसा करते हैं। यह विधि शोधकर्ताओं को सामग्रियों के भीतर इलेक्ट्रॉनों के व्यवहार का अनुकरण करने की अनुमति देती है, जिससे यह भविष्यवाणी की जा सकती है कि परमाणु कैसे बंधेंगे, कोई पदार्थ बिजली का संचालन कैसे करेगा, या क्या वह चुंबकीय होगा। चूंकि ये गणनाएं जटिल और समय लेने वाली होती हैं, इसलिए इन्हें अक्सर हजारों भौतिक गुणों वाले विशाल डेटाबेस बनाने के लिए कंप्यूटर द्वारा स्वचालित रूप से चलाया जाता है। ये डेटाबेस, बदले में, कृत्रिम बुद्धिमत्ता (AI) मॉडल के लिए प्रशिक्षण डेटा के रूप में कार्य करते हैं जो अब अभूतपूर्व गति से नई सामग्रियों की खोज करने में मदद कर रहे हैं। इस पूरे पारिस्थितिकी तंत्र के काम करने के लिए, अंतर्निहित गणनाओं का सही होना आवश्यक है। एक गणना को आमतौर पर तब "पूर्ण" या "अभिसरित" (converged) घोषित किया जाता है जब कंप्यूटर देखता है कि प्रणाली की ऊर्जा में महत्वपूर्ण बदलाव होना बंद हो गया है और आंतरिक बल स्थिर हो गए हैं। यह माना जाता है कि एक बार जब ये संख्याएं हिलना बंद कर देती हैं, तो कंप्यूटर ने सामग्री की वास्तविक, न्यूनतम-ऊर्जा अवस्था को पा लिया है।
हालांकि, एक नया अध्ययन बताता है कि यह धारणा खतरनाक रूप से गलत हो सकती है। शोधकर्ताओं ने पाया है कि कंप्यूटर एक गणना को तब भी पूर्ण घोषित कर सकता है जब सामग्री एक गलत, अस्थिर अवस्था में फंसी हो, जो कि जितनी होनी चाहिए उससे उच्च ऊर्जा स्तर पर स्थित हो। कुछ मामलों में, कंप्यूटर एक सामग्री को धातु के रूप में रिपोर्ट करता है जबकि वह वास्तव में एक विसंवाहक (insulator) होती है, या वह परमाणुओं की सही चुंबकीय व्यवस्था को पहचानने में विफल रहता है। ये त्रुटियां केवल छोटी संख्यात्मक गड़बड़ियाँ नहीं हैं; ये बहुत बड़ी हो सकती हैं, जिसमें रिपोर्ट की गई ऊर्जा उस सूक्ष्म सीमा से सैकड़ों गुना अधिक हो सकती है जिसका उपयोग गणना को पूर्ण घोषित करने के लिए किया जाता है। यदि इन दोषपूर्ण परिणामों को डेटाबेस और मशीन-लर्निंग मॉडल में डाला जाता है, तो त्रुटियां फैल जाती हैं, जिससे वैज्ञानिक वर्षों तक गलत रास्ते पर जा सकते हैं। अध्ययन दिखाता है कि गणना पूरी होने की जांच करने का मानक तरीका अपर्याप्त है, और यहाँ तक कि जब विभिन्न कंप्यूटर एल्गोरिदम एक-दूसरे से सहमत होते हैं, तब भी वे एक गलती पर सहमत हो सकते हैं।
इसे हल करने के लिए, शोधकर्ताओं ने दो नए, सरल परीक्षण विकसित किए जिन्हें वैज्ञानिकों द्वारा उपयोग किए जाने वाले जटिल सॉफ्टवेयर कोड को फिर से लिखे बिना किसी भी मौजूदा गणना पर लागू किया जा सकता है। पहला परीक्षण एक प्रोब (probe) की तरह कार्य करता है, जो गणना के अंतिम परिणाम को लेता है और एक सरल प्रश्न पूछता है: "क्या हम और नीचे जा सकते हैं?" कंप्यूटर को उसी सटीक बिंदु से पुनरारंभ करने और और भी कम ऊर्जा वाली अवस्था खोजने का निर्देश दिया जाता है। यदि यह सफल होता है, तो यह सिद्ध करता है कि मूल गणना बहुत जल्दी रुक गई थी। दूसरा परीक्षण एक अलग प्रकार की त्रुटि की जांच करता है: ऊर्जा की गणना करने के लिए कंप्यूटर द्वारा उपयोग किए गए नियमों और इलेक्ट्रॉन व्यवस्था को खोजने के लिए उपयोग किए गए नियमों के बीच एक बेमेल (mismatch)। यदि ये दो सेट के नियम पूरी तरह से संरेखित नहीं हैं, तो गणना मौलिक रूप से असंगत है, भले ही संख्याएं स्थिर दिख रही हों।
जब टीम ने विभिन्न प्रकार की सामग्रियों पर इन परीक्षणों को लागू किया, तो परिणाम चौंकाने वाले थे। एक प्रमुख सार्वजनिक डेटाबेस से सैकड़ों चुंबकीय ऑक्साइड संरचनाओं के सर्वेक्षण में, लगभग 17 प्रतिशत गणनाएं जिन्हें सफल घोषित किया गया था, वास्तव में एक महत्वपूर्ण ऊर्जा त्रुटि युक्त थीं। इनमें से कुछ मामलों में, सामग्री की ऊर्जा को काफी कम किया जा सकता था, जो परमाणु भौतिकी की दुनिया में एक विशाल मात्रा है। उदाहरण के लिए, यूरेनियम डाइऑक्साइड के लिए एक गणना, जो परमाणु ईंधन के रूप में उपयोग की जाने वाली सामग्री है, ने एक ऐसी अवस्था रिपोर्ट की जो वास्तविक स्थिर अवस्था से 1.46 इलेक्ट्रॉन-वोल्ट अधिक थी। इसी तरह, कोबाल्ट ऑक्साइड और आयरन ऑक्साइड के लिए गणनाओं ने उन्हें गलत तरीके से धातु के रूप में पहचाना, जबकि परीक्षणों ने दिखाया कि वे वास्तव में विसंवाहक (insulators) थे जिनमें इलेक्ट्रॉनिक संरचना में एक अंतराल (gap) था। एक विशिष्ट मामले में, कंप्यूटर ने एक सामग्री को बहुत छोटे अंतराल वाली धातु के रूप में रिपोर्ट किया, लेकिन प्रोब ने खुलासा किया कि यह वास्तव में एक ऐसा विसंवाहक होना चाहिए जिसका अंतराल पंद्रह गुना से अधिक बड़ा था।
अध्ययन ने यह भी जांचा कि ये त्रुटियां क्यों होती हैं। कभी-कभी, कंप्यूटर एक स्थानीय घाटी (local valley) में फंस जाता है, यह सोचकर कि उसने एक पहाड़ी के निचले हिस्से को छू लिया है जबकि वह वास्तव में एक पठार पर बैठा है जिसके पास ही एक गहरी घाटी है। अन्य समय में, त्रुटि इस बात में आती है कि सॉफ्टवेयर गणित को कैसे संभालता है, जहाँ कंप्यूटर गलत उत्तर पर खुद से सहमत हो जाता है। शोधकर्ताओं ने पाया कि ये विफलताएं यादृच्छिक (random) नहीं थीं; वे कोबाल्ट या वैनेडियम जैसे कुछ तत्वों वाले पदार्थों में, और उन सामग्रियों में अधिक बार होती थीं जिनमें विशेष प्रकार के इलेक्ट्रॉन होते हैं जिन्हें सिम्युलेट करना कठिन होता है। महत्वपूर्ण रूप से, अध्ययन ने दिखाया कि उन्हीं सेटिंग्स के साथ गणना को फिर से चलाना समस्या को ठीक नहीं करता है; कंप्यूटर संभवतः उसी गलत अवस्था में फंस जाएगा। इन त्रुटियों को पकड़ने का एकमात्र तरीका नए प्रोबिंग तरीकों का उपयोग करना है, जो सिस्टम को यह जांचने के लिए मजबूर करते हैं कि क्या कम ऊर्जा वाली अवस्था सुलभ है।
वैज्ञानिक समुदाय के लिए इसके निहितार्थ महत्वपूर्ण हैं। क्योंकि ये गलत अवस्थाएं गलत चुंबकीय गुण या गलत विद्युत व्यवहार ले सकती हैं, वे उन कृत्रिम बुद्धिमत्ता मॉडल के प्रशिक्षण डेटा को दूषित कर सकती हैं जो सामग्रियों की खोज के लिए केंद्रीय बन रहे हैं। यदि कोई AI ऐसे डेटाबेस से सीखता है जो इन गलत सकारात्मक (false positives) परिणामों से भरा है, तो वह नई सामग्रियों के बारे में गलत भविष्यवाणियां करेगा। शोधकर्ता इस बात पर जोर देते हैं कि उनके नए परीक्षण मौजूदा सॉफ्टवेयर का विकल्प नहीं हैं बल्कि एक आवश्यक सुरक्षा जांच हैं। उन्हें एक प्रारंभिक चेतावनी प्रणाली या पूर्ण सुधार उपकरण के रूप में किसी भी स्वचालित वर्कफ़्लो में जोड़ा जा सकता है। इन परीक्षणों को लागू करके, वैज्ञानिक यह सुनिश्चित कर सकते हैं कि विशाल डेटाबेस और उन पर निर्मित AI मॉडल भौतिक वास्तविकता पर आधारित हैं, न कि उस कंप्यूटर के आर्टिफैक्ट्स (artifacts) पर जिसने बहुत जल्दी रुकने का निर्णय लिया था। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि भौतिक दुनिया के डिजिटल सिमुलेशन में, एक संख्या जो बदलना बंद हो गई है, वह हमेशा सत्य मिलने का संकेत नहीं होती 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।