একটি ইলেকট্রনের কোয়ান্টাম আচরণ গণনা করতে যে সময় লাগে, তা ব্রহ্মাণ্ডের বয়সের চেয়ে বেশি।
একটি ঔষধের অণুতে হাজার হাজার ইলেকট্রন থাকে, একটি ব্যাটারি উপাদানে তার চেয়েও বেশি। এগুলির সিমুলেশন হল ঔষধ, ব্যাটারি এবং চিপ ডেভেলপমেন্টের মৌলিক প্রয়োজনীয়তা।
ক্যালিফোর্নিয়া ইনস্টিটিউট অফ টেকনোলজির অনিমা আনন্দকুমার দল ২৪ আগস্ট একটি পেপার প্রকাশ করেছেন, যেখানে একটি এআই মডেল ব্যবহার করে এই ধরনের গণনার জটিলতা ঘনিষ্ঠ রৈখিক স্তরে কমিয়ে আনা হয়েছে।
https://x.com/AnimaAnandkumar/status/2092031815448248594
অসাধারণ প্রভাব: একটি একক GPU-এ 82,500 ইলেকট্রন সহ একটি ধাতব ত্রুটির সিমুলেশন সম্পন্ন করা হয়েছে, যেখানে 2019 সালে একই ধরনের গণনার জন্য প্রায় 7,800টি GPU ব্যবহার করা হয়েছিল।
60 বছর ধরে বন্ধ থাকা বাধা
কোয়ান্টাম রসায়নের সবচেয়ে প্রচলিত গণনামূলক পদ্ধতি হল ঘনত্ব ফাংশনাল তত্ত্ব (DFT), যা নোবেল পুরস্কার প্রাপ্ত তত্ত্ব; ঔষধ ছাঁটাই, ক্যাটালিস্ট ডিজাইন এবং ব্যাটারি উপকরণ গবেষণা সবকিছুতেই এটির অপরিহার্য।
সমস্যাটি হল খুব ধীরে চলা: সিস্টেমটি যত বড় হয়, গণনার পরিমাণ ঘনক হিসাবে বাড়ে—ইলেকট্রনের সংখ্যা 10 গুণ বাড়লে, গণনার পরিমাণ 1000 গুণ বাড়ে।
৬০ বছর ধরে পদার্থবিদদের এটিকে দ্রুততর করার উপায় খুঁজছিলেন, কিন্তু কোনও বাস্তব বিপ্লব ঘটেনি।
এআই দুটি ধারণা চেষ্টা করেছে।
একটি ধারণা হলো মডেলকে সরাসরি চূড়ান্ত ফলাফল পূর্বানুমান করতে দেওয়া।
ট্রেনিং ডেটা এর মধ্যে ভালো পারফর্ম করে, কিন্তু এক্সট্রাপোলেশন দুর্বল: ট্রেনিং সেটে দেখা মানের চেয়ে যখন অণুর মান বেড়ে যায়, তখন ত্রুটি নিয়ন্ত্রণহীন হয়ে যায়।
প্রায়োগিক গবেষণায় দেখা গেছে যে ক্ষুদ্র অণু থেকে ঔষধ-স্তরের অণুতে বহির্বিস্তার করার সময় সরাসরি পূর্বানুমান মডেলের ত্রুটি 1% এর কম থেকে প্রায় 10% এবং সর্বোচ্চ 41% পর্যন্ত বৃদ্ধি পায়।
একটি বিকল্প দৃষ্টিভঙ্গি হল পদার্থবিদদের পুরনো পথ অনুসরণ করে এআইকে একটি বিপরীত ম্যাপিং শেখানো।
এই পথটি গাণিতিকভাবে অস্থিতিশীল, পেপারের তুলনামূলক পরীক্ষাগুলিতে, সমস্ত গণনা কয়েকটি পুনরাবৃত্তির পরে বিচ্ছিন্ন হয়ে যায়, সম্পূর্ণরূপে ব্যর্থ হয়।
একক ধাপে উত্তর অনুমান করার পরিবর্তে চিন্তার শৃঙ্খলের মতো পুনরাবৃত্তি করুন
এই পেপারটি একটি ভিন্ন দিকে যায়।
ডিএফটির গণনা প্রক্রিয়া একটি পুনরাবৃত্তিমূলক প্রক্রিয়া: প্রতিটি পুনরাবৃত্তিতে একটি ইনপুট শর্তের সেট দেওয়া হয়, ইলেকট্রনিক ঘনত্ব গণনা করা হয়, এবং ঘনত্ব ব্যবহার করে ইনপুট শর্তগুলি আপডেট করা হয়, ফলাফল স্থিতিশীল হওয়া পর্যন্ত এই চক্রটি পুনরাবৃত্তি করা হয়।
প্রাচীন পদ্ধতিটি প্রতিটি পুনরাবৃত্তিতে একটি ঘন জটিলতার সমাধান করতে বাধা পায়।
অনন্দকুমার দলের পদ্ধতি হলো: এই ধাপটি এআই দিয়ে প্রতিস্থাপন করা।
একটি ফুরিয়া নিউরাল অপারেটর (FNO) প্রশিক্ষণ দিন, যাতে এটি "প্রদত্ত ইনপুট শর্ত দেওয়া, সংশ্লিষ্ট ইলেকট্রন ঘনত্ব আউটপুট করা" এই সরাসরি ম্যাপিং শিখতে পারে, যার গণনা জটিলতা O(N³) থেকে O(N log N) এ কমে যায়।
তারপর মডেলটিকে মূল ইটারেশন লুপে পুনরায় সংযুক্ত করুন এবং অন্যান্য ধাপগুলি অপরিবর্তিত রাখুন।
https://x.com/AnimaAnandkumar/status/2090125110309204371
এটিকে এভাবে বুঝা যায়: সরাসরি প্রেডিকশন মডেল হল যেখানে LLM একটি কঠিন প্রশ্নের জন্য একক পদক্ষেপে চূড়ান্ত উত্তর দেয়, সহজ প্রশ্নগুলির জন্য এটি ঠিক থাকে, কিন্তু কঠিন প্রশ্নগুলিতে ভুল হওয়ার সম্ভাবনা বেশি।
কোহন-শ্যাম FNO হল মডেলের জন্য চিন্তার শৃঙ্খলা প্রয়োগ করা, পদক্ষেপে পদক্ষেপে যুক্তি প্রয়োগ, প্রতিটি পদক্ষেপে নিজেকে যাচাই করা, এবং ভুল হলে পরবর্তী পুনরাবৃত্তিতে এটিকে সংশোধন করা।
এই ডিজাইনের একটি সুবিধা আছে যা সরাসরি পূর্বানুমান মডেলের নেই: নিরাপত্তা ভালভ।
যদি মডেলটিকে এর ক্ষমতার বাইরে ঠেলে দেওয়া হয়, তবে পুনরাবৃত্তি অপ্রতিরোধ্য হয়ে যায় এবং গবেষকরা তাৎক্ষণিকভাবে জানতে পারেন যে ফলাফলগুলি বিশ্বস্ত নয়।
পেপারে ম্যাগনেশিয়াম ডিসলোকেশন পরীক্ষার প্রথম চেষ্টায় এটি যাচাই করা হয়েছিল: সাধারণ প্রি-ট্রেনড মডেল ব্যবহার করে সরাসরি গণনা করলে সমস্ত গণনা তাৎক্ষণিকভাবে অপ্রতিরোধ্য হয়ে যায়—অপ্রতিরোধ্যতাই হল সতর্কবার্তা।
সরাসরি প্রেডিকশন মডেল একটি উত্তর দেয়, আপনি এটি সঠিক কিনা তা বিচার করতে পারবেন না।
শুধুমাত্র 8504টি কাঠামো ব্যবহার করে প্রশিক্ষণ ডেটা তৈরি করা হয়েছে, একটি মডেল একসাথে অণু এবং কঠিন উপাদান প্রক্রিয়া করে, যা পর্যায় সারণির প্রথম পাঁচটি সারি কভার করে।
এটি টিম দ্বারা ডিজাইন করা একটি ডোমেইন-ইনভেরিয়েন্ট FNO ভেরিয়েন্টের জন্য সম্ভব হয়েছে: বিভিন্ন আকারের সিস্টেমগুলি একই শেখা ফিল্টার সেট শেয়ার করে, ছোট অণু এবং বড় ক্রিস্টালগুলির জন্য একই মডেল ব্যবহার করা হয়।
ট্রেনিং সেটে অনুপস্থিত ঔষধীয় বড় অণুগুলিতে কোহন-শাম FNO-এর ঘনত্ব ত্রুটি 2.23%, সরাসরি পূর্বানুমান মডেলের ক্ষেত্রে 9.97%।
যত বড় অণু, তত বেশি পার্থক্য: 45টি ভারী পরমাণুর জন্য, সরাসরি পূর্বানুমানের ত্রুটি 41% এ পৌঁছায়, কোহন-শাম FNO কেবল 4%।
1 ব্লক জিপিইউ, 80,000 ইলেকট্রন
টিম ম্যাগনেশিয়ামের দোষ স্ট্রাকচারের জন্য বড় পরিসরে যাচাই করেছে।
2019 সালে, ACM গর্ডন বেল পুরস্কারের নামিন্স প্রাপ্ত একটি গবেষণায় 6164টি ম্যাগনেশিয়াম পরমাণুর জন্য পূর্ণ DFT গণনা করা হয়েছিল, যেখানে Summit সুপারকম্পিউটারের প্রায় 7800টি NVIDIA V100 GPU ব্যবহার করা হয়েছিল।
সর্বশেষ Kohn-Sham FNO একটি NVIDIA B300 GPU-এ 8250 পরমাণু এবং 82500টি যোজনী ইলেকট্রনের গণনা সম্পন্ন করেছে, যা সম্পূর্ণরূপে একত্রিত হয়েছে।
পরীক্ষামূলকভাবে স্কেলিং ইনডেক্স 1.03 (প্রায় পারফেক্ট লিনিয়ার), প্রাচীন পদ্ধতি 3.37 (কিউবিক)।
1টি B300 এবং 7800টি V100 হার্ডওয়্যার সমতুল্য তুলনা নয়, কিন্তু স্কেলিং ইনডেক্স হার্ডওয়্যারের উপর নির্ভর করে না: একটি প্রায় রৈখিক, অন্যটি ঘনক, সিস্টেমের আকার বড় হলে পার্থক্য অপরিবর্তনীয় হয়ে যায়।
একই দিনে পেপার প্রকাশের সাথে সাথে, আনন্দকুমার এআই পদার্থবিদ্যা সিমুলেশন কোম্পানি অ্যাক্সিলারেটেড আন্ডারস্ট্যান্ডিং প্রতিষ্ঠা ঘোষণা করেন, যার পর রয়টার্স এটি প্রতিবেদন করে।
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
তিনি তাঁর X-এ বর্ণনা করেছেন যে, কোম্পানিটি দ্বারা প্রশিক্ষিত AI মডেলগুলি 4D স্পেসে পদার্থবিদ্যাগত ঘটনাগুলি সিমুলেশন করে এবং কনটেক্সট লেন্থ 5 ট্রিলিয়নের বেশি।
https://x.com/AnimaAnandkumar/status/2092236528898675014
বর্তমানে কন-শ্যাম FNO শুধুমাত্র গণনা প্রক্রিয়ার একটি ধাপ শিখেছে, পূর্ণাঙ্গ শক্তি গণনার জন্য একটি পরবর্তী প্রক্রিয়ার প্রয়োজন।
কিন্তু পথটি ইতিমধ্যে পরিষ্কার: এআই ভৌত বিজ্ঞানকে প্রতিস্থাপন করছে না, বরং ভৌত গণনার সবচেয়ে ব্যয়বহুল পুনরাবৃত্তি গণনা পদক্ষেপটিকে।
পরবর্তী পদক্ষেপে দলটি বাকি ধাপগুলি পূরণ করবে, যার ফলে পরবর্তী প্রক্রিয়াকরণও বাদ দেওয়া যাবে। ভবিষ্যত আশার।
টিম প্রতিষ্ঠাতাদের ছবি
প্রসঙ্গ: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
এই লেখাটি ওয়েইচ্যাট গ্রুপ "নিউ জ্ঞান মেট্রিক্স" থেকে এসেছে, লেখক: ASI রিভিলেশন; সম্পাদক: মা কে