Out-of-Distribution Inverse Design of Elastic Networks with Differentiable Graph Neural Network Molecular Dynamics

कल्पना कीजिए कि एक ऐसी दुनिया जहाँ सामग्रियों को परीक्षण और त्रुटि (trial and error) के माध्यम से नहीं, बल्कि कंप्यूटर से किसी विशिष्ट कार्य के लिए एक आदर्श संरचना खोजने के लिए कहकर डिजाइन किया जा सकता है। यह 'इनवर्स डिजाइन' (inverse design) का वादा है, जो वैज्ञानिकों के खोज करने के दृष्टिकोण में एक बदलाव है। किसी सामग्री को बनाने और फिर यह परीक्षण करने के बजाय कि वह क्या करती है, शोधकर्ता एक वांछित व्यवहार से शुरुआत करते हैं—जैसे कि एक स्प्रिंग जो दबने पर चौड़ा हो जाता है—और फिर उस परमाणु व्यवस्था को खोजने के लिए पीछे की ओर काम करते हैं जो इसे उत्पन्न करती है। दशकों से, यह प्रक्रिया धीमी और महंगी रही है, जो अत्यधिक कंप्यूटिंग शक्ति लेने वाले जटिल भौतिकी सिमुलेशन पर निर्भर रही है। हाल ही में, वैज्ञानिकों ने चीजों को तेज करने के लिए मशीन लर्निंग की ओर रुख किया है, जिससे कंप्यूटर को यह भविष्यवाणी करने के लिए प्रशिक्षित किया गया है कि सामग्रियां कैसे व्यवहार करती हैं। हालांकि, ये डिजिटल मॉडल आमतौर पर तब संघर्ष करते हैं जब उनसे कुछ ऐसा कल्पना करने के लिए कहा जाता है जो उन्होंने पहले नहीं देखा है। वे अपने प्रशिक्षण डेटा के भीतर पैटर्न पहचानने में उत्कृष्ट हैं, लेकिन जब उन्हें नए, अनछर्चित क्षेत्रों में धकेला जाता है, तो वे अक्सर विफल हो जाते हैं।

टेक्नियन – इज़राइल इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस सीमा को पार करने का एक नया तरीका विकसित किया है। उन्होंने एक ऐसा सिस्टम बनाया है जो एक स्मार्ट, लर्निंग-आधारित सिम्युलेटर और भौतिकी के अटल नियमों को जोड़ता है। यह हाइब्रिड दृष्टिकोण कंप्यूटर को उन गुणों वाली सामग्रियां डिजाइन करने की अनुमति देता है जो उसके मूल प्रशिक्षण की सीमा से कहीं बाहर हैं। अपने तरीके का परीक्षण 'डिसऑर्डर्ड इलास्टिक नेटवर्क' (disordered elastic networks)—जो परस्पर जुड़े बिंदुओं और स्प्रिंग्स से बनी सामग्रियों के मॉडल हैं—पर करके, उन्होंने प्रदर्शित किया कि सिस्टम ऐसे ढांचे बना सकता है जिनके व्यवहार उसके प्रशिक्षण डेटा में पूरी तरह से अनुपस्थित थे। परिणाम एक ऐसा उपकरण है जो न केवल ज्ञात सामग्रियों को परिष्कृत कर सकता है, बल्कि पूरी तरह से नई सामग्रियों की खोज भी कर सकता है, जिससे उन समस्याओं को हल किया जा सके जिन्हें पारंपरिक मशीन लर्निंग मॉडल छू भी नहीं सकते।

इस नए ढांचे का मुख्य आधार एक 'ग्राफ न्यूरल नेटवर्क मॉलिक्यूलर डायनेमिक्स सिम्युलेटर' है। यह समझने के लिए कि यह कैसे काम करता है, एक सामग्री को स्प्रिंग्स से जुड़े मोतियों के जाल के रूप में देखें। एक मानक सिमुलेशन में, कंप्यूटर हर मोती पर लगने वाले बलों के आधार पर गणना करता है कि प्रत्येक मोती कैसे चलता है, जो चरण-दर-चरण होता है। यह सटीक है लेकिन अविश्वसनीय रूप से धीमा है। शोधकर्ताओं ने अपने मशीन लर्निंग मॉडल को इन गतिविधियों की भविष्यवाणी बहुत तेजी से करने के लिए प्रशिक्षित किया, जिससे उन्होंने मोतियों के बीच परस्पर क्रिया के अंतर्निहित पैटर्न को सीखा। हालांकि, एक बड़ी बाधा मौजूद है: मशीन लर्निंग मॉडलों को आमतौर पर अगले चरण की भविष्यवाणी करने के लिए मोतियों की वर्तमान गति और दिशा जानने की आवश्यकता होती है। एक वास्तविक दुनिया के डिजाइन परिदृश्य में, आप एक स्थिर सामग्री की तस्वीर से शुरू करते हैं, न कि चलती हुई। मॉडल उस गति के प्रति अंधा होता है जिसकी उसे भविष्यवाणी करने की आवश्यकता है।

इसे हल करने के लिए, शोधकर्ताओं ने एक "बूटस्ट्रैप" (bootstrap) विधि पेश की। मुख्य सिमुलेशन शुरू होने से पहले, एक कस्टम, भौतिकी-आधारित इंजन स्थिर शुरुआती बिंदु से गति का एक बहुत छोटा, प्रारंभिक विस्फोट उत्पन्न करता है। यह आवश्यक संदर्भ प्रदान करता है—मोतियों की गति और दिशा—ताकि मशीन लर्निंग मॉडल को शुरू करने के लिए एक धक्का मिल सके। एक बार सिमुलेशन चलने के बाद, सिस्टम को एक और चुनौती का सामना करना पड़ता है: भविष्यवाणियों को भौतिक रूप से यथार्थवादी बनाए रखना, विशेष रूप से उन सामग्रियों को डिजाइन करते समय जिन्हें मॉडल ने पहले कभी नहीं देखा है। इसे संबोधित करने के लिए, उन्होंने 'इन्फरेंस-टाइम फिजिक्स-बेस्ड ऑप्टिमाइजेशन' नामक तकनीक का उपयोग किया। जैसे-जैसे सिमुलेशन चलता है, सिस्टम लगातार अपनी भविष्यवाणियों की भौतिकी के मौलिक नियमों, जैसे ऊर्जा संरक्षण और दबाव के विरुद्ध जांच करता है। यदि मशीन लर्निंग मॉडल एक असंभव स्थिति की ओर बढ़ने लगता है, तो सिस्टम धीरे से पथ को ठीक करता है, यह सुनिश्चित करता है कि सामग्री भौतिक रूप से वैध बनी रहे और साथ ही नए व्यवहारों की खोज भी कर सके।

शोधकर्ताओं ने इस ढांचे को 'डिसऑर्डर्ड इलास्टिक नेटवर्क' का उपयोग करके परखा, जो अनिवार्य रूप से स्प्रिंग्स और नोड्स के यादृच्छिक जाल हैं। उन्होंने अपने सिम्युलेटर को विशेष रूप से उन नेटवर्कों पर प्रशिक्षित किया जो एक मानक तरीके से व्यवहार करते थे: जब उन्हें दबाया जाता है, तो वे पतले हो जाते हैं, ठीक वैसे ही जैसे अधिकांश रोजमर्रा की सामग्रियां होती हैं। इन प्रशिक्षण नेटवर्कों में एक विशिष्ट गुण था जिसे 'पॉइसन का अनुपात' (Poisson's ratio) कहा जाता है, जो यह मापता है कि कोई सामग्री खिंचने या दबने पर कितनी तिरछी सिकुड़ती या फैलती है, जो 0.1 और 0.4 के बीच था। लक्ष्य यह देखना था कि क्या सिस्टम एक ऐसा नेटवर्क डिजाइन कर सकता है जो बिल्कुल इसके विपरीत व्यवहार करे: एक ऐसी सामग्री जो दबने पर चौड़ी हो जाती है। इसे 'ऑक्सेटिक' (auxetic) सामग्री के रूप में जाना जाता है, जो इंजीनियरिंग में एक दुर्लभ और मूल्यवान गुण है।

अपने प्रशिक्षण के दौरान ऑक्सेटिक सामग्री को कभी न देखने के बावजूद, सिस्टम ने 0.1 तक का पॉइसन अनुपात वाले नेटवर्क सफलतापूर्वक डिजाइन किए। यह प्रशिक्षण डेटा से एक नाटकीय बदलाव है, जो एक ऐसी सामग्री का प्रतिनिधित्व करता है जो संपीड़न के दौरान अनुप्रस्थ रूप से (transversely) सिकुड़ती है। शोधकर्ताओं ने नेटवर्क में नोड्स की स्थिति में बदलाव करके या उन्हें जोड़ने वाले स्प्रिंग्स की कठोरता को समायोजित करके इसे हासिल किया। कुछ मामलों में, उन्होंने दोनों रणनीतियों को मिलाया, जिससे सिस्टम और भी चरम समाधान खोजने में सक्षम हुआ, जो -0.35 तक के अनुपात तक पहुँच गया। सिस्टम ने केवल एक उदाहरण नहीं खोजा; इसने लगातार ये परिणाम दिए, जिससे सिद्ध हुआ कि यह विधि मजबूत और विश्वसनीय है।

इस दृष्टिकोण की शक्ति केवल एक संख्या बदलने तक सीमित नहीं है। शोधकर्ताओं ने दिखाया कि सिस्टम एक बड़े पदार्थ के भीतर विशिष्ट स्थानीय व्यवहारों को भी इंजीनियर कर सकता है। उन्होंने कंप्यूटर से एक मानक नेटवर्क के भीतर एक छोटा सा हिस्सा (pocket) बनाने के लिए कहा जो बाकी हिस्से से अलग व्यवहार करे। एक प्रयोग में, उन्होंने एक ऐसा क्षेत्र डिजाइन किया जो एक ऑक्सेटिक पॉकेट की तरह कार्य करता है, जो पूरे नेटवर्क के दबने पर तिरछा सिकुड़ जाता है, जबकि आसपास की सामग्री सामान्य व्यवहार करती है। दूसरे में, उन्होंने एक ऐसा क्षेत्र बनाया जहाँ तनाव केंद्रित होता है, जिससे बल को प्रभावी रूप से एक विशिष्ट क्षेत्र में निर्देशित किया जा सका बिना समग्र मजबूती को बदले। ये स्थानीय दोष प्रशिक्षण डेटा में पूरी तरह से अनुपस्थित थे, फिर भी सिस्टम ने उन्हें सटीकता के साथ उत्पन्न किया, जो सामग्री को सूक्ष्म स्तर पर हेरफेर करने की क्षमता को प्रदर्शित करता है।

इस प्रणाली की एक अन्य महत्वपूर्ण उपलब्धि विभिन्न आकार की सामग्रियों को संभालने की क्षमता थी। सिम्युलेटर को 200 से कम नोड्स वाले नेटवर्कों पर प्रशिक्षित किया गया था, फिर भी इसने 5,000 नोड्स तक के नेटवर्कों को सफलतापूर्वक अनुकूलित किया। यह स्केलेबिलिटी वास्तविक दुनिया के अनुप्रयोगों के लिए महत्वपूर्ण है, जहाँ सामग्रियां शायद ही कभी छोटी होती हैं। शोधकर्ताओं ने यह भी दिखाया कि सिस्टम किसी सामग्री के पूरे 'स्ट्रेस-स्ट्रेन कर्व' (stress-strain curve) को भी नया आकार दे सकता है, जो यह बताता है कि दबाव के तहत वह कैसे विकृत होती है। वे एक ऐसी सामग्री को ले सकते थे जो सरल, रैखिक (linear) प्रतिक्रिया देती थी और उसे एक जटिल, गैर-रैखिक (non-linear) प्रतिक्रिया देने के लिए पुन: डिजाइन कर सकते थे, जिससे सामग्री का प्रदर्शन प्रशिक्षण के दौरान देखे गए स्तरों से कहीं आगे निकल गया।

इस ढांचे की सफलता मशीन लर्निंग की गति और भौतिकी की सटीकता के बीच एक नाजुक संतुलन पर निर्भर करती है। एक छोटे, भौतिकी-आधारित स्टार्ट का उपयोग करके सिमुलेशन को शुरू करने और भौतिक बाधाओं के साथ पथ को लगातार परिष्कृत करके, सिस्टम शुद्ध मशीन लर्निंग की सामान्य विफलताओं से बच जाता है। यह केवल अनुमान नहीं लगाता; यह गति के नियमों को सीखता है और फिर उन्हें रचनात्मक रूप से लागू करता है। यह इसे उन डिजाइन स्थानों की खोज करने की अनुमति देता है जो पहले दुर्गम थे, ऐसे समाधान खोजने की जो न केवल नवीन हैं बल्कि भौतिक रूप से भी संभव हैं।

इस कार्य के निहितार्थ सामग्री विज्ञान के भविष्य के लिए महत्वपूर्ण हैं। यह सुझाव देता है कि हम मौजूदा सामग्रियों की केवल स्क्रीनिंग करने से आगे बढ़कर लक्षित गुणों वाली नई सामग्रियों को सक्रिय रूप से डिजाइन करने की ओर बढ़ सकते हैं। ऐसे व्यवहार वाली सामग्रियां उत्पन्न करने की क्षमता जो प्रशिक्षण डेटा के दायरे से पूरी तरह बाहर हैं, उन समस्याओं के समाधान खोजने का द्वार खोलती है जिन्हें हमने अभी तक पूरी तरह से परिभाषित भी नहीं किया है। चाहे वह झटके सहने वाली ऐसी संरचनाएं बनाना हो जो प्रभाव पड़ने पर सख्त हो जाती हैं, या लचीले इलेक्ट्रॉनिक्स डिजाइन करना जो अत्यधिक विरूपण के तहत भी अपनी अखंडता बनाए रखते हैं, यह विधि एक शक्तिशाली नया उपकरण प्रदान करती है। शोधकर्ताओं ने दिखाया है कि कृत्रिम बुद्धिमत्ता की भविष्य कहने वाली शक्ति को भौतिक नियमों की आधारभूत शक्ति के साथ जोड़कर, हम सामग्री की खोज को उन दिशाओं में ले जा सकते हैं जो पहले पहुंच से बाहर मानी जाती थीं।