कैलटेक AI ने 60 वर्षों के क्वांटम केमिस्ट्री बॉटलनेक को तोड़ दिया, 1 GPU ने 7800 को बदल दिया

100 इलेक्ट्रॉनों की क्वांटम व्यवहार की गणना करने में एक बार बल पद्धति का उपयोग करने पर ब्रह्मांड की आयु से अधिक समय लगता है।

एक दवा का अणु आमतौर पर हजारों इलेक्ट्रॉनों का होता है, जबकि एक बैटरी सामग्री में और अधिक होती है। उनका सिमुलेशन करना, दवा, बैटरी और चिप विकास की मूलभूत आवश्यकता है।

कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी के अनिमा अनंदकुमार टीम ने 24 अगस्त को एक पेपर प्रकाशित किया, जिसमें एक AI मॉडल का उपयोग करके इस प्रकार की गणना की जटिलता को घन स्तर से लगभग रैखिक स्तर तक कम कर दिया गया।

https://x.com/AnimaAnandkumar/status/2092031815448248594

बहुत प्रभावशाली परिणाम: एकल GPU पर 82,500 इलेक्ट्रॉनों वाले धातु दोष का अनुकरण किया गया, जबकि 2019 में इसी प्रकार की गणना के लिए लगभग 7,800 GPU की आवश्यकता थी।

क्वांटम केमिस्ट्री में सबसे अधिक उपयोग किए जाने वाली गणना विधि घनत्व कार्य सिद्धांत (DFT) है, एक नोबेल पुरस्कार स्तरीय सिद्धांत, जिसके बिना ड्रग स्क्रीनिंग, कैटलिस्ट डिजाइन और बैटरी सामग्री अनुसंधान संभव नहीं है।

समस्या यह है कि यह बहुत धीमा है: जैसे-जैसे प्रणाली बड़ी होती है, गणना की मात्रा घन के अनुपात में बढ़ती है—इलेक्ट्रॉनों की संख्या 10 गुना हो जाती है, तो गणना 1000 गुना बढ़ जाती है।

60 वर्षों से भौतिक विज्ञानी इसे तेज करने का तरीका ढूंढ रहे हैं, लेकिन कोई महत्वपूर्ण क्रांति नहीं हुई है।

AI ने दो दृष्टिकोणों का प्रयास किया है।

एक दृष्टिकोण यह है कि मॉडल सीधे अंतिम परिणाम का भविष्यवाणी करे, एक ही कदम में।

ट्रेनिंग डिस्ट्रीब्यूशन के भीतर अच्छा प्रदर्शन, लेकिन बाहरी निष्कर्षण क्षमता बहुत कम: जैसे ही अंश ट्रेनिंग सेट में देखे गए मान से अधिक हो जाता है, त्रुटि अनियंत्रित हो जाती है।

प्रयोगात्मक अध्ययन में पाया गया कि छोटे अणुओं से औषधीय स्तर के अणुओं तक बाहरी निष्कर्ष निकालते समय, सीधे भविष्यवाणी मॉडल की त्रुटि कम से कम 1% से बढ़कर लगभग 10% हो गई, जो अधिकतम 41% तक पहुँची।

एक अन्य दृष्टिकोण भौतिक विज्ञानियों के पुराने तरीके का अनुसरण करता है, जिसमें AI एक विपरीत प्रतिचित्रण सीखता है।

This path is mathematically unstable; in the paper's control experiments, all calculations diverged after a few iterations, resulting in complete failure.

इस पेपर ने दिशा बदल दी है।

DFT की गणना प्रक्रिया एक पुनरावर्ती प्रक्रिया है: प्रत्येक चक्र में एक सेट इनपुट शर्तें दी जाती हैं, जिससे इलेक्ट्रॉनिक घनत्व निकाला जाता है, और फिर घनत्व का उपयोग इनपुट शर्तों को अद्यतन करने के लिए किया जाता है, जब तक कि परिणाम स्थिर न हो जाए।

पारंपरिक विधि प्रत्येक इटरेशन में एक घनीय गणना करने में फंस जाती है।

अनंदकुमार टीम का दृष्टिकोण है: इस चरण को AI से बदल देना।

एक फूरिए न्यूरल ऑपरेटर (FNO) को प्रशिक्षित करें ताकि यह «दिए गए इनपुट स्थितियों के आधार पर संबंधित इलेक्ट्रॉन घनत्व निकालने» का सीधा मैपिंग सीख सके, जिससे गणना जटिलता O(N³) से घटकर O(N log N) हो जाए।

फिर मॉडल को मूल इटरेशन लूप में वापस डालें और अन्य चरणों को वैसे ही रखें।

https://x.com/AnimaAnandkumar/status/2090125110309204371

इसे इस प्रकार समझा जा सकता है: डायरेक्ट प्रेडिक्शन मॉडल के लिए LLM एक कठिन प्रश्न का अंतिम उत्तर एक कदम में देता है, जिससे सरल प्रश्नों के लिए कोई समस्या नहीं होती, लेकिन कठिन प्रश्नों में गलतियाँ होने की संभावना होती है।

Kohn-Sham FNO उस मॉडल के लिए एक विचार श्रृंखला के समान है, जिसमें निष्कर्ष निकालते समय चरणबद्ध तरीके से तर्क किया जाता है, और प्रत्येक चरण स्वयं की जांच कर सकता है; यदि कोई गलती होती है, तो बाद के पुनरावृत्ति इसे सुधार देते हैं।

इस डिज़ाइन का एक अतिरिक्त फायदा भी है: सुरक्षा वाल्व।

यदि मॉडल को इसकी क्षमता के बाहर धकेल दिया जाता है, तो इटरेशन अपस्ट्रीम हो जाते हैं, और शोधकर्ता तुरंत जान जाते हैं कि परिणाम विश्वसनीय नहीं हैं।

पेपर में मैग्नीशियम दोष प्रयोग के पहले प्रयास ने इस बात की पुष्टि की: सामान्य पूर्व-प्रशिक्षित मॉडल का सीधे उपयोग करने पर, सभी गणनाएँ तुरंत अपसारित हो गईं—अपसारण ही चेतावनी थी।

डायरेक्ट प्रेडिक्शन मॉडल एक उत्तर देता है, और आप इसे सही या गलत नहीं बता सकते।

ट्रेनिंग डेटा केवल 8504 संरचनाओं का उपयोग किया गया, एक मॉडल एक साथ अणुओं और ठोस सामग्रियों को संभालता है, जो आवर्त सारणी के पहले पांच पंक्तियों को कवर करता है।

इसका श्रेय टीम द्वारा डिज़ाइन किए गए एक डोमेन-अपरिवर्तनीय FNO वेरिएंट को है: विभिन्न आकारों की संरचनाएँ एक ही सीखे गए फिल्टर्स का उपयोग करती हैं, और छोटे अणुओं और बड़े क्रिस्टल्स के लिए एक ही मॉडल का उपयोग किया जाता है।

ट्रेनिंग सेट में अनदेखी दवा-स्तरीय बड़े अणुओं पर, Kohn-Sham FNO की घनत्व त्रुटि 2.23% है, जबकि सीधे भविष्यवाणी मॉडल की 9.97% है।

जितना बड़ा अणु, उतना ही स्पष्ट अंतर: 45 भारी परमाणुओं तक, सीधा भविष्यवाणी त्रुटि 41% तक पहुँच जाती है, जबकि Kohn-Sham FNO केवल 4% है।

The team conducted large-scale validation on the dislocation structure of magnesium.

2019 में, ACM गॉर्डन बेल पुरस्कार के लिए नामांकित एक अध्ययन ने 6164 मैग्नीशियम परमाणुओं के लिए पूर्ण DFT गणना की, जिसमें Summit सुपरकंप्यूटर पर लगभग 7800 NVIDIA V100 GPU का उपयोग किया गया।

नवीनतम Kohn-Sham FNO ने एकल NVIDIA B300 GPU पर 8250 परमाणुओं और 82500 संयोजी इलेक्ट्रॉनों की गणना की, जो सभी संगत हैं।

वास्तविक परीक्षण में स्केलिंग इंडेक्स 1.03 है (लगभग परफेक्ट लीनियर), जबकि पारंपरिक विधि 3.37 है (क्यूबिक)।

1 ब्लॉक B300 और 7800 ब्लॉक V100 हार्डवेयर के समान तुलना नहीं हैं, लेकिन स्केलिंग इंडेक्स हार्डवेयर से प्रभावित नहीं होता: एक लगभग रैखिक है, दूसरा घन है, जितना बड़ा सिस्टम होगा, उतना ही अंतर अपरिवर्तनीय होगा।

एक ही दिन पेपर प्रकाशित होने के साथ, अनंदकुमार ने एआई भौतिक प्रतिरूपण कंपनी एक्सेलरेटेड अंडरस्टैंडिंग की स्थापना की घोषणा की, जिसकी बाद में रॉयटर्स ने रिपोर्ट की।

https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/

उसने अपने X पर बताया कि कंपनी द्वारा प्रशिक्षित AI मॉडल 4D स्पेस में भौतिक घटनाओं का अनुकरण करते हैं और 5 ट्रिलियन से अधिक की संदर्भ लंबाई का तर्क देते हैं।

https://x.com/AnimaAnandkumar/status/2092236528898675014

अभी Kohn-Sham FNO केवल गणना प्रक्रिया के एक चरण को सीखता है, पूर्ण ऊर्जा गणना के लिए एक बाद की प्रक्रिया की आवश्यकता होती है।

लेकिन रास्ता स्पष्ट है: AI भौतिकी को नहीं, बल्कि भौतिकी की गणना में सबसे अधिक पैसा खर्च करने वाले दोहराए जाने वाले चरण को बदल रहा है।

अगले चरण में टीम शेष चरणों को पूरा करेगी, जिससे भविष्य में पोस्ट-प्रोसेसिंग की आवश्यकता नहीं होगी। भविष्य उज्ज्वल है।

टीम के संस्थापकों की फोटो

संदर्भ: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html

यह लेख वेचेन ग्रुप "न्यूज़िज़यन" से आया है, लेखक: ASI अपोकैलिप्स; संपादक: माको