100 الیکٹران کے کوانٹم سلوک کی ایک بار کی حساب کتاب کے لیے درکار وقت کائنات کی عمر سے زیادہ ہے۔
ایک دوا کا مولیکیول کئی ہزار الیکٹرانز پر مشتمل ہوتا ہے، اور ایک بیٹری کا مادہ اس سے زیادہ۔ ان کا سیمولیشن، دوا، بیٹری اور چپ کے ترقی کی بنیادی ضرورت ہے۔
کیلیفورنیا انسٹیٹیوٹ آف ٹیکنالوجی کے اینیما انانڈکمار کے ٹیم نے 24 اگست کو ایک پیپر جاری کیا، جس میں ایک AI ماڈل کا استعمال کرتے ہوئے اس قسم کے حسابات کی پیچیدگی کو مکعب سطح سے تقریباً لینئر سطح تک کم کر دیا گیا۔
https://x.com/AnimaAnandkumar/status/2092031815448248594
بہت متاثر کن نتیجہ: ایک 82,500 الیکٹرانوں والے دھاتی عیب کی شمولیت ایک ہی GPU پر مکمل ہو گئی، جبکہ 2019 میں اسی قسم کی گنتی کے لیے تقریباً 7,800 GPU درکار تھے۔
60 سال کا بندبند
کیمیائی کوانتم کے شعبے میں سب سے زیادہ استعمال ہونے والی حسابی طریقہ کار ڈینسٹی فنکشنل تھیوری (DFT) کہلاتی ہے، جو نوبل انعام کے لائق نظریہ ہے، اور دوائیں تلاش کرنے، محرک ڈیزائن کرنے، اور بیٹری مواد کی ترقی میں اس کے بغیر ممکن نہیں۔
مسئلہ یہ ہے کہ بہت سست ہے: جب نظام تھوڑا بڑا ہوتا ہے، تو حساب کی مقدار مکعب کے مطابق بڑھ جاتی ہے — الیکٹرانوں کی تعداد 10 گنا بڑھ جائے تو حساب کی مقدار 1000 گنا بڑھ جاتی ہے۔
60 سالوں تک، فزیسٹس اسے تیز کرنے کا طریقہ تلاش کرتے رہے، لیکن کوئی اہم کامیابی حاصل نہیں ہوئی۔
ای آئی نے دو افکار کی کوشش کی۔
ایک خیال یہ ہے کہ ماڈل کو بالآخر نتیجہ ایک مرحلے میں پیش کرنے کے لیے تربیت دی جائے۔
ٹریننگ ڈیٹا کے اندر اچھا کام کرتا ہے، لیکن باہر نکلنے کی صلاحیت بہت کم ہے: جب بھی عدد ٹریننگ سیٹ میں دیکھے گئے عدد سے زیادہ ہو جاتا ہے، تو خطاء بے قابو ہو جاتی ہے۔
تجربی مطالعات سے پتہ چلتا ہے کہ جب چھوٹے مولیکیولز سے دوائیوں کے سطح کے مولیکیولز تک باہر نکالا جاتا ہے، تو براہ راست پیشگوئی ماڈل کی خطاء کم سے کم 1% سے بڑھ کر تقریباً 10% ہو جاتی ہے، جس کا اعلیٰ درجہ 41% تک پہنچ جاتا ہے۔
ایک دوسری سوچ یہ ہے کہ AI کو ایک الٹا میپنگ سیکھائی جائے، جیسا کہ فزیسٹس پہلے کرتے تھے۔
یہ راستہ ریاضیاتی طور پر عدم استحکام کا شکار ہے، اور کاغذ کے مقابلہ کے تجربات میں، تمام حسابات کچھ تکرار کے بعد ہی بکھر گئے، مکمل طور پر ناکام ہو گئے۔
جواب کو ایک مرحلے میں اندازہ لگانے کے بجائے، سوچ کے سلسلے کی طرح تکرار کریں
اس تحقیقی مقالے نے ایک نئی سمت اختیار کی ہے۔
DFT کی حساب کتاب کی عمل درآمد ایک دہرائی جانے والی تکرار کا عمل ہے: ہر چکر میں ایک مجموعہ انپٹ شرائط دی جاتی ہیں، الیکٹرانک ڈینسٹی کا حساب لگایا جاتا ہے، اور پھر ڈینسٹی کا استعمال انپٹ شرائط کو اپ ڈیٹ کرنے کے لیے کیا جاتا ہے، جب تک کہ نتائج مستقیم نہ ہو جائیں۔
روایتی طریقہ کار ہر ایٹریشن میں ایک مکعبی درجے کا شدید حسابی عمل کرنا پڑتا ہے۔
انندکمار ٹیم کا طریقہ یہ ہے کہ اس مرحلے کو AI سے بدل دیں۔
ایک فوریہ نیورل آپریٹر (FNO) کو تربیت دیں تاکہ وہ "دی گئی ان پٹ شرائط کے مطابق متعلقہ الیکٹران ڈینسٹی کا پیش گوئی کرے" اس مثبت میپنگ کو سیکھ سکے، جس سے حسابی پیچیدگی O(N³) سے گھٹا کر O(N log N) ہو جائے۔
پھر ماڈل کو اصل ایٹریشن سائیکل میں واپس ڈال دیں، باقی مراحل ویسے ہی رہیں۔
https://x.com/AnimaAnandkumar/status/2090125110309204371
اسے ایسے سمجھیں: براہ راست پیش بینی ماڈل کا مطلب ہے کہ LLM ایک مشکل سوال کا فوری آخری جواب دے، جس میں آسان سوالات ٹھیک ہوتے ہیں، لیکن مشکل سوالات میں غلطی ہو سکتی ہے۔
کون-شام FNO، ماڈل کو استدلال کے دوران سوچ کی زنجیر کے طور پر کام کرنے کے برابر ہے، قدم بہ قدم استدلال، جس کا ہر قدم خود کو جانچ سکتا ہے، اور اگر غلطی ہو تو بعد کی تکرار اسے درست کر دیتی ہے۔
اس ڈیزائن کا ایک اضافی فائدہ یہ بھی ہے کہ اس میں ایک بیک اپ سیفٹی میکنزم شامل ہے جو براہ راست پیش گوئی ماڈل میں نہیں ہوتا۔
اگر ماڈل اپنی صلاحیت کے دائرے سے باہر چلا جائے، تو تکرار بکھر جائے گی اور محققین فوراً جانتے ہیں کہ نتائج قابلِ اعتماد نہیں ہیں۔
میگنیشیم ڈس لیٹشن کے تجربے کی پہلی کوشش نے یہ بات ثابت کر دی: عام پری ٹرینڈ ماڈل کا استعمال کرتے ہوئے فوری طور پر تمام حسابات بکھر گئے — بکھرنے کا خود ہی ایک ایلرم تھا۔
براہ راست پیش گوئی ماڈل ایک جواب دیتا ہے، آپ نہیں جان سکتے کہ یہ صحیح ہے یا غلط۔
ٹریننگ ڈیٹا میں صرف 8504 ڈھانچے استعمال کیے گئے، ایک ماڈل ایک ساتھ مولیکیولز اور ٹھوس مواد کو پروسیس کرتا ہے، جو پیریوڈک ٹیبل کے پہلے پانچ افراد کو کور کرتا ہے۔
اس کا شکریہ ٹیم کے ذریعہ ڈیزائن کیا گیا ایک ڈومین انڈیپینڈنٹ FNO وریئنٹ ہے: مختلف سائز کے سسٹم ایک ہی سیکھے گئے فلٹرز کا استعمال کرتے ہیں، چھوٹے مولیکیولز اور بڑے کرستلز کے لیے ایک ہی ماڈل استعمال کیا جاتا ہے۔
ٹریننگ سیٹ میں نہیں دیکھے گئے دوائیوں کے بڑے مولیکیولز پر، کون-شام FNO کی ڈینسٹی کی غلطی 2.23% ہے، جبکہ براہ راست پیش گوئی ماڈل کی 9.97% ہے۔
جتنے بڑے مولیکیول ہوتے ہیں، اتنی زیادہ فرق ہوتا ہے: 45 وزنی ایٹمز تک، براہ راست پیشگوئی کی غلطی 41% تک پہنچ جاتی ہے، جبکہ Kohn-Sham FNO صرف 4% ہے۔
1 گرافکس پروسیسر، 80,000 الیکٹران
ٹیم نے میگنیشیم کی ڈس لیکشن سٹرکچر پر بڑے پیمانے پر تصدیق کی۔
2019 میں، ACM گورڈن بیلر ایوارڈ کے لیے نامزد ایک تحقیق نے 6164 میگنیشیم ایٹم کے لیے مکمل DFT کی حسابگری کی، جس میں Summit سупر کمپیوٹر پر تقریباً 7800 NVIDIA V100 GPU استعمال ہوئے۔
جبکہ نئے Kohn-Sham FNO نے ایک واحد NVIDIA B300 GPU پر 8250 ایٹوم اور 82500 ویلینس الیکٹرانز کی حسابگری مکمل کر لی ہے، جو مکمل طور پر متحد ہو گئے۔
تجربی طور پر سکیل اندیکس 1.03 ہے (تقریباً مکمل لینیئر)، جبکہ روایتی طریقہ 3.37 ہے (کیوبک لیول)۔
1 B300 اور 7800 V100 ہارڈویئر کے لحاظ سے مساوی نہیں ہیں، لیکن اسکیلنگ انڈیکس ہارڈویئر سے متاثر نہیں ہوتا: ایک تقریباً لکیری ہے، دوسرا مکعب ہے، جتنا بڑا نظام ہوگا، اتنا ہی ناقابلِ ادراک فرق ہوگا۔
اسی دن پیپر جاری ہونے پر، اناںکمار نے AI فزیکل سیمیولیشن کمپنی Accelerated Understanding کی بنیاد رکھی، جس کی ریوٹرز نے بعد میں رپورٹ کی۔
https://www.reuters.com/business/ai-founders-who-walked-away-bezos-backed-prometheus-model-universe-2026-08-25/
اس نے اپنے X پر بتایا کہ کمپنی نے تربیت دی گئی AI ماڈل 4D فضا میں فزیکل ظواہر کا شبیہہ بناتے ہیں اور ترتیب کی لمبائی 5 ٹریلین سے زیادہ ہے۔
https://x.com/AnimaAnandkumar/status/2092236528898675014
ابھی کون شام FNO صرف حساب کی عمل کے ایک مرحلے کو سیکھا ہے، مکمل توانائی کا حساب لگانے کے لیے ایک اضافی پوسٹ پروسیسنگ مرحلہ درکار ہے۔
لیکن راستہ واضح ہے: AI وہ فزکس کی جگہ نہیں لے رہا جو فزکس کے حساب کتاب میں سب سے زیادہ پیسہ خرچ کرنے والی دہرائی گئی حسابگری ہے۔
ٹیم اگلے مرحلے میں باقی اجزاء کو مکمل کرنے کا منصوبہ رکھتی ہے، جس سے بعد کی پروسیسنگ بھی ختم ہو جائے گی۔ مستقبل میں بہت کچھ امید ہے۔
ٹیم کے بانیوں کی فوٹو
حوالہ جات: https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
یہ مضمون ویچن گروپ "نیوزی یوان" سے ہے، مصنف: ASI وحی؛ ایڈیٹر: مارکو