🔬 physics

Out-of-Distribution Robust Active Learning of Message-Passing Potentials for Extreme Non-Equilibrium Iron Dynamics

यह शोध पत्र OOD रोबस्ट एक्टिव लर्निंग (OODR-AL) फ्रेमवर्क प्रस्तुत करता है, जो ग्राउंड-स्टेट थर्मोडायनामिक फिडेलिटी को बनाए रखते हुए चरम गैर-संतुलन विन्यासों (extreme non-equilibrium configurations) को व्यवस्थित रूप से नमूनाकरण (sampling) के माध्यम से, बॉडी-सेंटर्ड क्यूबिक आयरन के लिए एक अत्यधिक सटीक और सुदृढ़ MACE इंटरएटोमिक पोटेंशियल को कुशलतापूर्वक निर्मित करता है।

मूल लेखक: Ahmad Atif Fikri Fikri, Heru Suryanto Suryanto, Avita Ayu Permanasari Permanasari, Rio Anugrah Vidyanto Vidyanto, Ahmad Al Kafi Kafi, Poespitasari Hazanah Ndaru Poespitasari, Mohd Sayuti Ab Karim Mohd

प्रकाशित 2026-08-06

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ahmad Atif Fikri Fikri, Heru Suryanto Suryanto, Avita Ayu Permanasari Permanasari, Rio Anugrah Vidyanto Vidyanto, Ahmad Al Kafi Kafi, Poespitasari Hazanah Ndaru Poespitasari, Mohd Sayuti Ab Karim Mohd Sayuti, Dani Harmanto Harmanto

मूल पेपर CC BY 4.0 (https://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 लेखकों 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 लोगों की एक भीड़ एक अराजक मोश पिट (mosh pit) में कैसे हिलेगी। आपके पास दो उपकरण हैं। पहला एक सुपर-सटीक, स्लो-मोशन कैमरा है जो हर व्यक्ति की मांसपेशियों की हर हरकत और विचार प्रक्रिया को पकड़ लेता है, लेकिन यह बैटरी खत्म होने से पहले केवल एक छोटे से समूह की बहुत कम देर के लिए फिल्म बना सकता है। दूसरा एक तेज़, रफ स्केच कलाकार है जो घंटों तक लाखों लोगों को चलते हुए चित्रित कर सकता है, लेकिन वह केवल लोगों को स्थिर खड़े रहने या धीरे चलने के रूप में जानता है; यदि कोई कूदने या लड़ने लगता है, तो स्केच कलाकार भ्रमित हो जाता है और असंभव, तैरते हुए अंग बना देता है।

सामग्री विज्ञान (materials science) की दुनिया में, वैज्ञानिक ठीक इसी समस्या का सामना करते हैं। वे समझना चाहते हैं कि धातुएं तब कैसे व्यवहार करती हैं जब उन्हें एक विशाल शॉकवेव (shockwave) से टकराया जाता है या टूटने तक मरोड़ा जाता है—ऐसी स्थितियाँ जो शांति से बहुत दूर हैं। "सुपर-एक्यूरेट कैमरा" नामक विधि डेंसिटी फंक्शनल थ्योरी (DFT) है, जो क्वांटम मैकेनिक्स का उपयोग करके सटीक उत्तर देती है लेकिन बड़े, तेज़ आयोजनों के लिए बहुत धीमी है। "रफ स्केच कलाकार" एक पारंपरिक कंप्यूटर मॉडल है जो तेज़ है लेकिन चरम स्थितियों में टूट जाता है। हाल ही में, वैज्ञानिकों ने एक नए प्रकार का "स्केच कलाकार" बनाया है जिसे मशीन-लर्नड इंटरएटॉमिक पोटेंशियल (ML-IP) कहा जाता है। ये स्मार्ट कंप्यूटर प्रोग्राम हैं जिन्हें धीमे कैमरे जितनी सटीकता और स्केच कलाकार जितनी गति के लिए प्रशिक्षित किया गया है। हालाँकि, इन स्मार्ट प्रोग्रामों में एक घातक दोष है: यदि वे ऐसी स्थिति देखते हैं जिसके लिए उन्हें प्रशिक्षित नहीं किया गया है (जैसे कि किसी धातु को उस तरह से कुचला जा रहा है जैसा उन्होंने पहले कभी नहीं देखा), तो वे अक्सर भ्रमित हो जाते हैं (hallucinate), यह भविष्यवाणी करते हुए कि परमाणु असंभव तरीके से बिखर जाएंगे या आपस में चिपक जाएंगे, जिससे पूरा सिमुलेशन क्रैश हो जाता है।

यह शोध पत्र इस दोष को ठीक करने के लिए एक चतुर नया प्रशिक्षण तरीका पेश करता है जिसे OODR-AL कहा जाता है। शोधकर्ताओं ने एक स्मार्ट कंप्यूटर मॉडल को एक विशिष्ट प्रकार के लोहे (बॉडी-सेंटर्ड क्यूबिक आयरन) के लिए कल्पना योग्य सबसे चरम, अराजक स्थितियों को संभालने के लिए प्रशिक्षित किया, बिना इसकी क्षमता खोए कि वह उस लोहे के शांत और ठंडे होने पर कैसा व्यवहार करता है। उन्होंने यह एक "सुरक्षा जाल" बनाकर किया जो मॉडल को पकड़ लेता है जब वह भ्रमित होने लगता है, और उसे गलती करने से पहले एक मानव विशेषज्ञ से सही उत्तर पूछने के लिए मजबूर करता है। ऐसा करके, वे इस मॉडल को केवल लगभग 300 उदाहरणों का उपयोग करके प्रशिक्षित करने में सफल रहे, जो आमतौर पर आवश्यक हजारों उदाहरणों की तुलना में बहुत कम है। परिणाम एक ऐसा मॉडल है जो लोहे को 1800 केल्विन तक गर्म होने और हिंसक रूप से मुड़ने का अनुकरण कर सकता है, जबकि यह भी याद रखता है कि वह लोहा कमरे के तापमान पर कैसा व्यवहार करता है। यह एक छात्र को गणित की समस्या हल करने के लिए इतना अच्छी तरह सिखाने जैसा है कि वह बुनियादी जोड़ को भूले बिना एक अराजक, हाई-स्पीड परीक्षा को संभाल सके।

"स्मार्ट आयरन" की कहानी

शोधकर्ता एक बहुत ही विशिष्ट समस्या पर काम कर रहे थे: कैसे BCC आयरन (एक सामान्य प्रकार का लोहा जो परमाणु रिएक्टरों से लेकर गगनचुंबी इमारतों तक में पाया जाता है) का अनुकरण किया जाए जब इसे "एक्सट्रीम नॉन-इक्विलिब्रियम" स्थितियों के अधीन रखा जाता है। यह एक फैंसी तरीका है यह कहने का कि: "क्या होता है जब आप लोहे पर हथौड़े से प्रहार करते हैं या इसे तब तक गर्म करते हैं जब तक कि यह लाल दहकने न लगे?"

इन चरम स्थितियों के तहत, लोहे के परमाणुओं को अजीब, उच्च-ऊर्जा वाली स्थितियों में धकेला जाता है जो वे सामान्य जीवन में कभी नहीं लेते। मानक स्मार्ट मॉडल, जो आमतौर पर शांत, शांत डेटा पर प्रशिक्षित होते हैं, इन अजीब स्थितियों को देखकर डर जाते हैं। वे ऐसी भौतिकी बनाने लगते हैं जो अस्तित्व में ही नहीं है, जिससे "कैटास्ट्रोफिक फेलियर" (विनाशकारी विफलता) होती है जहाँ सिमुलेशन फट जाता है। लेखक इसे "आउट-ऑफ-डिस्ट्रीब्यूशन" (OOD) विफलता कहते हैं। यह एक ऐसे ड्राइवर से पूछने जैसा है जिसने केवल एक चिकनी हाईवे पर गाड़ी चलाई है कि वह कीचड़ भरे दलदल में रास्ता कैसे निकाले; वह घबराकर खाई में गिर सकता है क्योंकि उसने पहले कभी कीचड़ नहीं देखा है।

समाधान: एक स्मार्ट सुरक्षा जाल

इसे ठीक करने के लिए, टीम ने OODR-AL (आउट-ऑफ-डिस्ट्रीब्यूशन रोबस्ट एक्टिव लर्निंग) नामक एक फ्रेमवर्क बनाया। इसे एक "स्मार्ट कोच" के रूप में सोचें। यहाँ बताया गया है कि कोच कैसे काम करता है:

द डाउटिंग एनसेम्बल (The Doubting Ensemble): केवल एक मॉडल को प्रशिक्षित करने के बजाय, उन्होंने एक ही मॉडल के चार थोड़े अलग संस्करण प्रशिक्षित किए। जब सिमुलेशन चलता है, तो ये चार मॉडल न्यायाधीशों के एक पैनल की तरह कार्य करते हैं। यदि वे इस बात पर सहमत होते हैं कि परमाणुओं को क्या करना चाहिए, तो सिमुलेशन जारी रहता है। लेकिन यदि वे असहमत होने लगते हैं (उच्च "फोर्स वेरिएंस" दिखाते हैं), तो इसका मतलब है कि मॉडल एक खतरनाक, अज्ञात क्षेत्र में प्रवेश कर रहा है।
द फारेस्ट पॉइंट स्काउट (The Farthest Point Scout): जब मॉडल असहमत होते हैं, तो सिस्टम किसी भी रैंडम अजीब आकार को ठीक करने के लिए नहीं चुनता है। यह एक "लेटेंट डिस्क्रिप्टर स्पेस" में एक चतुर ट्रिक का उपयोग करता है जिसे फारेस्ट पॉइंट सैंपलिंग कहा जाता है। कल्पना करें कि मॉडल सभी संभावित परमाणु आकारों के मानचित्र को देख रहे हैं। स्काउट उस आकार को खोजता है जो मॉडल ने पहले जो कुछ भी देखा है उससे सबसे अलग है। यह सुनिश्चित करता है कि मॉडल उन आकारों के बारे में सीखे जो सबसे अजीब और चरम हैं, बजाय इसके कि वह उन आकारों पर समय बर्बाद करे जो केवल थोड़े अलग हैं।
द फिजिक्स फिल्टर (The Physics Filter): मानव विशेषज्ञों (DFT नामक एक शक्तिशाली कंप्यूटर पद्धति का उपयोग करके) से उत्तर मांगने से पहले, सिस्टम जांचता है कि क्या आकार भौतिक रूप से संभव है। यह उन आकारों को खारिज कर देता है जहाँ परमाणु बहुत करीब हैं (जैसे दो लोग एक ही कुर्सी पर कब्जा करने की कोशिश कर रहे हों) या जहाँ घनत्व असंभव है। यह सुनिश्चित करता है कि सिस्टम निरर्थक चीजों पर समय बर्बाद न करे।
द स्ट्रेस वेट (The Stress Weight): इन स्मार्ट मॉडलों के साथ एक बड़ी समस्या "कैटास्ट्रोफिक फॉरगेटिंग" (विनाशकारी विस्मृति) है। यदि आप किसी मॉडल को केवल गर्म, अराजक डेटा पर प्रशिक्षित करते हैं, तो वह ठंडे, शांत तापमान पर व्यवहार करना भूल सकता है। इसे रोकने के लिए, शोधकर्ताओं ने प्रशिक्षण में एक विशेष नियम जोड़ा: उन्होंने मॉडल को "विरियल स्ट्रेस" (एक माप कि सामग्री दबने पर वापस कैसे प्रतिक्रिया करती है) पर विशेष ध्यान देने के लिए मजबूर किया। इसने मॉडल को एक अच्छा, शांत लोहा बने रहने के साथ-साथ एक अराजक, गर्म लोहा बनने के लिए प्रशिक्षित किया।

परिणाम: एक मॉडल जो सब कुछ कर सकता है

टीम ने अपने नए मॉडल का परीक्षण दो चरम परिदृश्यों के तहत BCC आयरन पर किया:

थर्मल शॉक (Thermal Shock): उन्होंने तुरंत लोहे को 1800 K तक गर्म कर दिया (जो उस तापमान से भी अधिक गर्म है जहाँ लोहा आमतौर पर अपने चुंबकीय गुणों को खो देता है)।
एक्सट्रीम शीयर (Extreme Shear): उन्होंने उस उच्च तापमान पर 10% की स्ट्रेन रेट के साथ लोहे को मरोड़ा।

इन सिमुलेशनों में, नए मॉडल ने चमत्कार किए।

दक्षता (Efficiency): यह DFT कंप्यूटर से केवल ~300 उच्च-सटीक लेबल के साथ समाप्त (सीखना पूरा) हुआ। आमतौर पर, शोधकर्ताओं को हजारों ऐसे महंगे लेबल की आवश्यकता होती है।
सटीकता (Accuracy): जब उन्होंने मॉडल का परीक्षण लोहे के 20 अत्यंत विकृत स्नैपशॉट पर किया (जहाँ परमाणुओं को न्यूनतम दूरी 1.99 Å तक दबाया गया था), तो मॉडल की ऊर्जा भविष्यवाणियां केवल 78.5 meV/atom की त्रुटि के साथ थीं, और बल भविष्यवाणियां 0.221 eV/Å की त्रुटि के साथ थीं। ये संख्याएं स्थिर सिमुलेशन चलाने के लिए सुरक्षित क्षेत्र के भीतर हैं।
कोई विस्मृति नहीं (No Forgetting): गर्म, मुड़े हुए लोहे के बारे में सीखने के बाद भी, मॉडल अभी भी 0 K (परम शून्य) पर लोहे के गुणों की सटीक भविष्यवाणी कर सकता था। इसने "इलास्टिक कांस्टेंट्स" (लोहा कितना सख्त है) और "इक्वेशन ऑफ स्टेट" (यह कैसे संकुचित होता है) को लगभग सटीक रूप से प्राप्त किया, जो धीमी, पूर्ण DFT गणनाओं से मेल खाता है। उदाहरण के लिए, अनुमानित लैटिस पैरामीटर 2.831 Å था, जबकि DFT मान 2.830 Å था।

यह क्यों महत्वपूर्ण है

यह शोध पत्र दिखाता है कि आपको एक ऐसे मॉडल को चुनने की ज़रूरत नहीं है जो कमरे के तापमान पर सटीक हो और दूसरे को जो चरम तापमान पर सटीक हो। इस "सुरक्षा जाल" प्रशिक्षण पद्धति का उपयोग करके, शोधकर्ताओं ने एक एकल मॉडल बनाया जो परमाणु विस्फोट या उच्च गति वाली टक्कर की अराजकता को संभालने के लिए पर्याप्त मजबूत है, फिर भी एक शांत दिन पर पुल के बीम के व्यवहार की भविष्यवाणी करने के लिए पर्याप्त सटीक है।

लेखक नोट करते हैं कि हालांकि यह एक बड़ा कदम है, फिर भी कुछ सीमाएं हैं। मॉडल वर्तमान में केवल शुद्ध लोहे पर प्रशिक्षित है, इसलिए यह स्टील अलॉय (मिश्र धातु) के बारे में नहीं जानता है। साथ ही, सिमुलेशन इतनी तेज़ी से होते हैं (नैनोसेकंड में) कि वे जंग लगने या थकान जैसे धीमी प्रक्रियाओं को कैप्चर नहीं कर सकते जो वर्षों तक चलती हैं। हालाँकि, चरम घटनाओं की क्षणिक भौतिकी को समझने के लिए, यह नई विधि बिना सिमुलेशन के क्रैश हुए, परमाणु के अंदर देखने का एक विश्वसनीय, तेज़ और सटीक तरीका प्रदान करती है।

तकनीकी सारांश: चरम गैर-संतुलन आयरन डायनेमिक्स के लिए आउट-ऑफ-डिस्ट्रीब्यूशन रोबस्ट एक्टिव लर्निंग

समस्या विवरण

शॉक कम्प्रेशन और हाई-स्ट्रेन-रेट शियर जैसे चरम गैर-संतुलन भौतिक गुणों (जैसे बॉडी-सेंटर्ड क्यूबिक (BCC) आयरन) के अनुकरण (सिमुलेशन) में, सटीकता और कम्प्यूटेशनल लागत के बीच एक निरंतर समझौता बना रहता है। डेंसिटी फंक्शनल थ्योरी (DFT) क्वांटम-मैकेनिकल शुद्धता प्रदान करती है, लेकिन यह छोटे सिस्टम और पिकोसेकंड समयसीमा तक ही सीमित है। इसके विपरीत, एम्पिरिकल पोटेंशियल (जैसे EAM) कम्प्यूटेशनल रूप से कुशल हैं लेकिन जटिल मेनी-बॉडी बॉन्डिंग को पकड़ने में विफल रहते हैं और अक्सर चरम स्थितियों के तहत ढह जाते हैं। मशीन-लर्नड इंटरएटोमिक पोटेंशियल (ML-IPs), विशेष रूप से MACE जैसे E(3)-इक्विवैरिएंट मैसेज-पासिंग नेटवर्क, इस अंतर को पाटते हैं, लेकिन वे कैटास्ट्रोफिक आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) विफलता से ग्रस्त होते हैं। जब MD सिमुलेशन उन कॉन्फ़िगरेशन का सामना करते हैं जो प्रशिक्षण डेटा (जैसे उच्च तापमान, विशाल शियर, चरण संक्रमण) से बहुत बाहर होते हैं, तो मानक ML-IPs अवास्तविक फोर्स स्पाइक्स उत्पन्न करते हैं, जिससे ऊर्जा ड्रिफ्ट और सिमुलेशन क्रैश हो जाता है।

इसके अलावा, मौजूदा एक्टिव लर्निंग (AL) रणनीतियाँ इन व्यवस्थाओं के लिए अपर्याप्त हैं। वे अक्सर अविश्वसनीय अनसर्टेन्टी क्वांटिफिकेशन (UQ) विधियों (जैसे डीप एन्सेम्बल्स जो सह-संबंधित एक्सट्रपलेशन प्रदर्शित कर सकते हैं) पर निर्भर करती हैं, उनमें सैंपलिंग की विविधता की कमी होती है (नियर-मिनिमम कॉन्फ़िगरेशन में फंस जाना), और उच्च-तापमान डेटा पर पुन: प्रशिक्षित होने पर ग्राउंड-स्टेट (0 K) हार्मोनिक गुणों के प्रति कैटास्ट्रोफिक फॉरगेटिंग (विस्मृति) उत्पन्न करती हैं।

कार्यप्रणाली: OODR-AL फ्रेमवर्क

लेखक OOD रोबस्ट एक्टिव लर्निंग (OODR-AL) फ्रेमवर्क पेश करते हैं, जो एक क्लोज्ड-लूप पाइपलाइन है जिसे ग्राउंड-स्टेट सटीकता को बनाए रखते हुए व्यवस्थित रूप से चरम फेज स्पेस को मैप करने के लिए डिज़ाइन किया गया है। यह फ्रेमवर्क पाँच मुख्य घटकों को एकीकृत करता है:

डीप एन्सेबल अनसर्टेन्टी: $N=4$ स्वतंत्र रूप से इनिशियलाइज किए गए MACE मॉडल्स का एक डीप एन्सेबल, इंटर-मॉडल फोर्स वेरिएंस ( $\sigma_F$ ) के माध्यम से एपिस्टेमिक अनसर्टेन्टी का अनुमान लगाता है।
लेटेंट-स्पेस डायवर्सिटी सैंपलिंग: रेडंडेंट सैंपलिंग को रोकने के लिए, फ्लैग किए गए OOD कॉन्फ़िगरेशन को MACE लेटेंट डिस्क्रिप्टर स्पेस में प्रोजेक्ट किया जाता है। एक फार्टेस्ट पॉइंट सैंपलिंग (FPS) एल्गोरिदम बैच के रूप में अधिकतम विविध संरचनाओं का चयन करता है, जो केवल ज्यामितीय आउटलेर्स के बजाय विशिष्ट रासायनिक वातावरणों का कवरेज सुनिश्चित करता है।
फिजिक्स-इन्फॉर्म्ड फिल्टरिंग: एक प्री-DFT फ़िल्टर ज्यामितीय रूप से दोषपूर्ण कॉन्फ़िगरेशन (जैसे परमाणु ओवरलैप या अवास्तविक सेल कोलैप्स) को न्यूनतम परमाणु दूरी ( $d_{min} \ge 1.8$ Å) और घनत्व सीमाओं ( $5.0 \le \rho \le 9.5$ g cm $^{-3}$ ) के आधार पर बाहर करता है। यह सुनिश्चित करता है कि DFT ऑरेकल केवल भौतिक रूप से प्रशंसनीय, उच्च-ऊर्जा अवस्थाओं को ही प्रोसेस करे।
एडाप्टिव अनसर्टेन्टी थ्रेशोल्डिंग: क्वेरी थ्रेशोल्ड $\tau(t)$ प्रारंभिक 0.12 eV Å $^{-1}$ से घटकर 0.05 eV Å $^{-1}$ हो जाता है क्योंकि प्रशिक्षण सेट परिपक्व होता है, जिससे प्रगतिशील रूप से सख्त OOD डिटेक्शन संभव होता है।
स्ट्रेस-वेटेड ट्रेनिंग: कैटास्ट्रोफिक फॉरगेटिंग को कम करने के लिए, लॉस फंक्शन में एक वेटेड विरियल स्ट्रेस टर्म (वेट = 0.05) शामिल है। यह नेटवर्क को ऊर्जा के सापेक्ष स्ट्रेन के डेरिवेटिव को सीखने के लिए मजबूर करता है, जिससे उच्च-तापमान डायनेमिक्स के साथ-साथ मैक्रोस्कोपिक मैकेनिकल प्रॉपर्टीज (इलास्टिक कांस्टेंट्स, बल्क मॉड्यूलस) सुरक्षित रहती हैं।

यह पाइपलाइन 1800 K (क्यूरी तापमान से ऊपर) तक के थर्मल शॉक और अत्यधिक स्ट्रैन-रेट शियर विरूपण (10% ट्राइएक्सियल स्ट्रेन तक) के अधीन BCC आयरन को लक्षित करती है। ग्राउंड-ट्रुथ लेबल्स का उपयोग हाई-प्रिसिजन, स्पिन-पोलराइज्ड DFT (Quantum ESPRESSO, PAW PBE, 50/400 Ry कटऑफ) का उपयोग करके किया जाता है।

मुख्य परिणाम

1. डेटा-कुशल अभिसरण (Data-Efficient Convergence)

OODR-AL फ्रेमवर्क ने केवल ~300 हाई-प्रिसिजन DFT लेबल्स का उपयोग करके एक मजबूत MACE पोटेंशियल को अभिसरित (converge) किया। यह समान सिस्टम जटिलताओं के लिए आमतौर पर आवश्यक हजारों कॉन्फ़िगरेशन या मानक AL दृष्टिकोणों की तुलना में एक महत्वपूर्ण कमी है। वैलिडेशन एनर्जी RMS Error (RMSE) 100 इपोक के भीतर सब-केमिकल एक्यूरेसी थ्रेशोल्ड से नीचे स्थिर हो गया।

2. ग्राउंड-स्टेट प्रॉपर्टीज का संरक्षण

स्ट्रेस-वेटेड ट्रेनिंग और एक मैच की गई 0 K स्टैटिक डेफॉर्मेशन सेट को शामिल करके, मॉडल ने कैटास्ट्रोफिक फॉरगेटिंग से सफलतापूर्वक बचाव किया। परिणामी पोटेंशियल ने DFT के साथ सब-परसेंट सहमति के साथ 0 K इक्विलिब्रियम प्रॉपर्टीज को पुनरुत्पादित किया:

इलास्टिक कांस्टेंट्स: $C_{11}$ (228.4 बनाम 229.0 GPa), $C_{12}$ (134.1 बनाम 135.0 GPa), $C_{44}$ (116.8 बनाम 117.0 GPa)।
बल्क मॉड्यूलस: 165.5 बनाम 166.3 GPa।
लैटिस पैरामीटर: 2.831 बनाम 2.830 Å।

3. OOD जनरलाइजेशन और स्थिरता

पोटेंशियल का परीक्षण 1800 K शॉक और शियर ट्राजेक्टरीज (न्यूनतम परमाणु दूरी $\approx 1.99$ Å) से निकाले गए 20 अत्यधिक विकृत स्नैपशॉट्स पर किया गया।

सटीकता: मॉडल ने ऊर्जा RMSE 78.5 meV/atom और फोर्स RMSE 0.221 eV/Å प्राप्त किया, जो MD सिमुलेशन की स्थिरता सीमाओं के भीतर है।
डायनेमिक स्थिरता: 1800 K पर लंबे समय तक चलने वाले NVE MD में, OODR-AL पोटेंशियल उत्कृष्ट ऊर्जा संरक्षण बनाए रखता है। इसके विपरीत, इस फ्रेमवर्क के बिना प्रशिक्षित बेसलाइन MACE कुछ सौ टाइमस्टेप्स के भीतर ऊर्जा विस्फोट (energy blow-up) का शिकार हो गया।
भौतिक निष्ठा (Physical Fidelity): अत्यधिक शियर के तहत, पोटेंशियल ने टोपोलॉजिकल पुनर्गठन (एमोर्फाइजेशन, डिसलोकेशन मोशन) से जुड़े हाई-फ्रीक्वेंसी एनर्जी फ्लक्चुएशन को कैप्चर किया, जबकि क्लासिकल EAM पोटेंशियल कृत्रिम रूप से स्मूथ, अवास्तविक ऊर्जा परिदृश्य (energy landscapes) उत्पन्न करते थे।

महत्व और दावे

पेपर का दावा है कि यह एक्टिव लर्निंग और इक्विवैरिएंट आर्किटेक्चर के बीच के "गैप इंटरसेक्शन" को हल करता है जो चरम ट्रांजिशन मेटल डायनेमिक्स के लिए आवश्यक है। इसका प्राथमिक महत्व यह प्रदर्शित करना है कि ग्राउंड-स्टेट थर्मोडायनामिक सटीकता का त्याग किए बिना अत्यधिक डायनेमिक्स के प्रति लचीले पोटेंशियल बनाना संभव है।

मुख्य योगदान शामिल हैं:

व्यापक निष्ठा (Comprehensive Fidelity): एक संतुलन प्राप्त करना जहाँ पोटेंशियल 0 K पर सटीक रहता है और साथ ही चरम गैर-संतुलन अवस्थाओं (1800 K, उच्च शियर) को स्थिर करता है।
रोबस्टनेस मैकेनिज्म: यह सिद्ध करना कि डीप एन्सेबल वेरिएंस को लेटेंट-स्पेस डायवर्सिटी सैंपलिंग और फिजिकल फिल्टरिंग के साथ मिलाने से, स्टैंडर्ड एन्सेबल UQ में सामान्य "कॉन्फिडेंट एरर्स" के खिलाफ एक "मल्टी-लेयर्ड सेफ्टी नेट" बनता है।
व्यावहारिक दक्षता: न्यूनतम DFT बजट (~300 लेबल्स) के साथ चरम स्थितियों के लिए विश्वसनीय ML-IPs उत्पन्न करने का मार्ग प्रदान करना, जिससे शॉक-इंड्यूस्ड फेज ट्रांजिशन और डिसलोकेशन डायनेमिक्स जैसी घटनाओं का AIMD की तुलना में कई गुना कम कम्प्यूटेशनल लागत पर सिमुलेशन करना संभव हो जाता है।

लेखक नोट करते हैं कि हालांकि वर्तमान मॉडल सिंगल-एलिमेंट आयरन और कोलिनियर स्पिन एप्रोक्सिमेशन तक सीमित है, OODR-AL फ्रेमवर्क ML पोटेंशियल को बिना किसी सामान्य ट्रेड-ऑफ के तकनीकी रूप से महत्वपूर्ण, गैर-संतुलन व्यवस्थाओं तक विस्तारित करने के लिए एक भौतिक रूप से सुदृढ़ कार्यप्रणाली स्थापित करता है।