← नवीनतम पेपर
🔬 सामग्री विज्ञान

Technical Note on Matlantis PFP v9: Extending the Element and Domain Coverage of the r2SCAN Training Data

मैटलेंटिस PFP v9, r2SCAN-प्रशिक्षित यूनिवर्सल मशीन लर्निंग पोटेंशियल का विस्तार 96 तत्वों (लैंथेनाइड्स और एक्टिनाइड्स सहित) और क्लस्टर्स एवं सोखना (adsorption) जैसे नए डोमेन तक करता है, जो फॉर्मेशन एनर्जी के लिए प्रयोगात्मक-स्तर की सटीकता और DFT-तुलनीय सोखना त्रुटियों को प्राप्त करता है और साथ ही इन्फरेंस स्पीड (inference speed) और अधिकतम सिस्टम साइज के मामले में SevenNet-Omni से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

प्रकाशित 2026-11-19
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

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

परमाणुओं की सूक्ष्म दुनिया में, वैज्ञानिक लंबे समय से पदार्थ के व्यवहार की भविष्यवाणी करने के लिए 'डेंसिटी फंक्शनल थ्योरी' (density functional theory) नामक एक शक्तिशाली लेकिन भारी उपकरण पर भरोसा करते आए हैं। यह विधि प्रत्येक सामग्री में हर एक परमाणु के बीच की अंतःक्रियाओं की अत्यंत सटीकता के साथ गणना करती है, जो अनिवार्य रूप से उन क्वांटम मैकेनिकल समीकरणों को हल करती है जो उनके अस्तित्व को नियंत्रित करते हैं। हालांकि यह दृष्टिकोण ऐसे परिणाम देता है जो वास्तविक दुनिया के प्रयोगों से मेल खाते हैं, लेकिन यह इतना गणनात्मक रूप से कठिन है कि इसमें केवल कुछ हज़ार परमाणुओं वाले सिस्टम को ही एक संक्षिप्त क्षण के लिए संभाला जा सकता है। बड़ी संरचनाओं, जैसे धातु के दाने या पानी की बूंद का अध्ययन करने के लिए, या लंबी अवधि में प्रक्रियाओं को घटित होते देखने के लिए, शोधकर्ताओं को लगभग उसी स्तर की सटीकता के साथ एक तेज़ तरीके की आवश्यकता थी। इस आवश्यकता ने 'मशीन लर्निंग इंटरएटॉमिक पोटेंशियल' (machine learning interatomic potentials) को जन्म दिया, जो उन भारी गणनाओं से प्राप्त डेटा पर प्रशिक्षित कंप्यूटर मॉडल हैं। एक बार प्रशिक्षित होने के बाद, ये मॉडल मूल विधि की तुलना में हजारों गुना तेज़ी से यह भविष्यवाणी कर सकते हैं कि परमाणु कैसे हिलेंगे और परस्पर क्रिया करेंगे, जिससे वैज्ञानिकों के लिए लाखों परमाणुओं वाले सिस्टम का अनुकरण करना और पदार्थ विज्ञान के विशाल नए क्षेत्रों की खोज करना संभव हो जाता है।

वर्षों तक, ये मशीन लर्निंग मॉडल अक्सर विशिष्ट थे, जिन्हें केवल कार्बनिक अणुओं या सरल क्रिस्टल जैसे विशिष्ट प्रकार के पदार्थों को संभालने के लिए बनाया गया था। एक महत्वपूर्ण छलांग 'मैटलैंटिस पीएफपी' (Matlantis PFP) के विकास के साथ हुई, जो एक सार्वभौमिक मॉडल है जिसे एक ही एकीकृत प्रणाली के माध्यम से ठोस क्रिस्टल से लेकर व्यक्तिगत अणुओं और सतह की परतों तक—विभिन्न डोमेन को संभालने के लिए डिज़ाइन किया गया है। इस मॉडल का नवीनतम संस्करण, जिसे PFP v9 के रूप में जाना जाता है, इसकी क्षमताओं के एक बड़े विस्तार का प्रतिनिधित्व करता है। प्रिफर्ड नेटवर्क्स (Preferred Networks) और मैटलेंटिस कॉर्पोरेशन के शोधकर्ताओं ने इस मॉडल को आवर्त सारणी के बहुत व्यापक दायरे और अधिक जटिल भौतिक व्यवस्थाओं को समझने के लिए सफलतापूर्वक प्रशिक्षित किया है। इस मॉडल को 'r2SCAN' नामक एक अत्यधिक सटीक विधि द्वारा गणना किए गए नए, विशाल डेटासेट से फीड करके, उन्होंने इसे दुर्लभ-पृथ्वी तत्वों (rare-earth elements) और भारी एक्टिनाइड्स (actinides) वाले पदार्थों का अनुकरण करने में सक्षम बनाया है, जिन्हें पहले इस विशिष्ट दृष्टिकोण के साथ मॉडल करना बहुत कठिन था। उन्होंने सतहों पर अणुओं के चिपकने और परमाणुओं के गुच्छे बनाने के डेटा को भी जोड़ा, जिससे उन कमियों को भरा गया जो मॉडल की पिछली उपयोगिता को सीमित करती थीं।

इस प्रगति का मूल आधार प्रशिक्षण डेटा है। शोधकर्ताओं ने 'r2SCAN फंक्शनल' का उपयोग करके संदर्भ गणनाओं का एक नया सेट तैयार किया, जो एक परिष्कृत गणितीय दृष्टिकोण है और प्रयोगात्मक परिणामों के साथ बहुत अच्छी तरह मेल खाता है। मॉडल के पिछले संस्करण में, इस डेटासेट में केवल 70 तत्व शामिल थे और इसमें परमाणुओं के पूरे परिवारों की कमी थी, जैसे कि लैंथेनाइड्स (lanthanides), जो चुंबक और बैटरी जैसी तकनीकों के लिए महत्वपूर्ण हैं। नए कार्य ने इस कवरेज को कुल 96 तत्वों तक विस्तारित किया, जिसमें प्रैसीओडिमियम (praseodymium) से ल्यूटेटियम (lutetium) तक के लैंथेनाइड्स और पोलोनियम (polonium) से क्यूरियम (curium) तक के भारी तत्वों को शामिल किया गया। इन जटिल परमाणुओं को संभालने के लिए, टीम ने उनके आंतरिक इलेक्ट्रॉनों के साथ व्यवहार करने के संबंध में एक विशिष्ट तकनीकी विकल्प चुना। लैंथेनाइड्स के लिए, उन्होंने "हार्ड" पोटेंशियल का उपयोग किया जो उनके आंतरिक f-इलेक्ट्रॉनों को बॉन्डिंग में भाग लेने की अनुमति देते हैं, बजाय इसके कि उन्हें एक जमे हुए कोर (frozen core) के भीतर बंद रखा जाए। इन परमाणुओं के विभिन्न रासायनिक वातावरणों में व्यवहार को सटीक रूप से वर्णित करने के लिए यह निर्णय आवश्यक था, जो एक ऐसा सूक्ष्म अंतर था जिसे पिछले संस्करणों में अनसुलझा छोड़ दिया गया था।

अब इस विस्तारित और अधिक विविध डेटासेट पर प्रशिक्षित मॉडल के साथ, शोधकर्ताओं ने वास्तविक दुनिया के मापों के विरुद्ध इसकी सटीकता का परीक्षण किया। उन्होंने उन क्रिस्टल की निर्माण ऊर्जा (formation energies) को देखा जिनमें नए समर्थित तत्व शामिल थे, जो यह एक माप है कि कोई सामग्री अपने घटक भागों से कैसे बनती है तो कितनी ऊर्जा निकलती है या अवशोषित होती है। परिणामों ने दिखाया कि इन नए, जटिल पदार्थों के लिए मॉडल की भविष्यवाणियां पुराने, सुस्थापित तत्वों के लिए इसकी भविष्यवाणियों जितनी ही सटीक थीं। मॉडल की गणनाओं और प्रयोगात्मक मूल्यों के बीच का अंतर बहुत कम था, जो औसतन लगभग 93 मिलीइलेक्ट्रॉनवोल्ट प्रति परमाणु था, जो पहले से समर्थित तत्वों के लिए त्रुटि दर के लगभग समान है। यह इंगित करता है कि मॉडल ने अपनी सटीकता खोए बिना इन कठिन-से-संभालने वाले परमाणुओं के भौतिकी को सफलतापूर्वक सीख लिया है।

टीम ने अधिशोषण (adsorption) की भविष्यवाणी करने की मॉडल की क्षमता का भी परीक्षण किया, जो वह प्रक्रिया है जहाँ अणु एक ठोस सतह से चिपक जाते हैं। यह उत्प्रेरण (catalysis) जैसे क्षेत्रों में एक महत्वपूर्ण अंतःक्रिया है, जहाँ सतहों का उपयोग रासायनिक प्रतिक्रियाओं को तेज करने के लिए किया जाता है। उन्होंने संक्रमण-धातु सतहों (transition-metal surfaces) से विभिन्न अणु कितनी मजबूती से बंधते हैं, इसके लिए मॉडल की भविष्यवाणियों की तुलना प्रयोगात्मक मापों के एक डेटाबेस से की। मॉडल ने बेंचमार्क के रूप में उपयोग की जाने वाली मानक डेंसिटी फंक्शनल थ्योरी विधि के समान समग्र त्रुटि के साथ प्रदर्शन किया। हालाँकि, शोधकर्ताओं ने एक विशिष्ट प्रवृत्ति नोट की: मॉडल ने उन अणुओं के लिए बंधन की शक्ति को थोड़ा अधिक आंका जो सतह के साथ मजबूत रासायनिक बंधन बनाते हैं, जबकि उन अणुओं के लिए बंधन की शक्ति को कम आंका जो कमजोर बलों द्वारा जुड़े होते हैं। इसके बावजूद, 'डिस्पर्शन करेक्शन' (dispersion correction) के समावेश ने, जो परमाणुओं के बीच कमजोर आकर्षक बलों का हिसाब रखता है, कमजोर अंतःक्रियाओं के लिए भविष्यवाणियों को प्रयोगात्मक वास्तविकता के बहुत करीब ला दिया।

सटीकता से परे, मॉडल की व्यावहारिक गति इस कार्य की एक परिभाषित विशेषता है। शोधकर्ताओं ने समान डेटा पर प्रशिक्षित एक अन्य सार्वजनिक मॉडल, जिसे SevenNet-Omni के रूप में जाना जाता है, के मुकाबले PFP v9 की तुलना की, और दोनों को एक ही प्रकार के हाई-परफॉर्मेंस ग्राफिक्स प्रोसेसर पर चलाया। परिणाम आश्चर्यजनक थे। नया मॉडल मेमोरी समाप्त होने से पहले प्रतिस्पर्धी की तुलना में पाँच से दस गुना अधिक परमाणुओं वाले सिस्टम को संभाल सकता था। इसके अलावा, परमाणुओं की गति को चलाने वाले बलों की गणना करते समय, नया मॉडल तीन से चार गुना तेज़ था। उदाहरण के लिए, तरल जल के एक सिस्टम के लिए, मॉडल लगभग 118,000 परमाणुओं के क्लस्टर का अनुकरण कर सकता था, जबकि दूसरे मॉडल ने मेमोरी सीमा तक पहुँचने से पहले केवल लगभग 12,000 ही प्रबंधित किए। दक्षता में यह उछाल का अर्थ है कि वैज्ञानिक अब इस स्तर की सटीकता के साथ दुर्लभ-पृथ्वी मिश्र धातुओं या एक्टिनाइड यौगिकों जैसे बहुत बड़े और जटिल सिस्टम का अनुकरण कर सकते हैं, जो पहले असंभव था।

लेखक निष्कर्ष निकालते हैं कि यह विस्तार इस मॉडल को ऊर्जा भंडारण के लिए नए पदार्थों के डिजाइन से लेकर परमाणु ईंधन के व्यवहार को समझने तक, वैज्ञानिक चुनौतियों की एक विस्तृत श्रृंखला के लिए एक बहुमुखी उपकरण बनाता है। हालाँकि, वे मॉडल की वर्तमान सीमाओं के बारे में स्पष्ट हैं। जबकि यह अपने मानक अवस्थाओं और साफ सतहों में परमाणुओं का वर्णन करने में उत्कृष्ट है, यह अभी भी कुछ जटिल परिदृश्यों, जैसे कि मजबूत चुंबकीय सहसंबंधों वाले पदार्थों या लंबी दूरी के विद्युत आवेशों वाले सिस्टम के साथ संघर्ष करता है। मॉडल अभी तक विद्युत क्षेत्रों के प्रभावों या आवेशित दोषों (charged defects) के व्यवहार को उस तरह से ध्यान में नहीं रखता है जो इसे इलेक्ट्रोलाइट्स या विद्युतीकृत इंटरफेस का अनुकरण करने की अनुमति दे सके। ये भविष्य के विकास के क्षेत्र बने हुए हैं। फिलहाल, यह कार्य एक महत्वपूर्ण कदम के रूप में खड़ा है, जो आवर्त सारणी के एक विशाल हिस्से के गुणों को खोजने का एक विश्वसनीय और तेज़ तरीका प्रदान करता है जो पहले सार्वभौमिक मशीन लर्निंग मॉडलों की पहुँच से बाहर था।

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 →