💻 computer science

Self-Supervised Learning for Glass Composition Screening

यह शोधपत्र DeepGlassNet का प्रस्ताव करता है, जो एक नवीन स्व-पर्यवेक्षित शिक्षण ढांचा (self-supervised learning framework) है, जिसमें एक अनंत सिद्धांत-आधारित (asymptotic theory-based) डेटा संवर्धन रणनीति और एक विशिष्ट नेटवर्क आर्किटेक्चर शामिल है, ताकि पारंपरिक पर्यवेक्षित विधियों की डेटा की कमी और शोर की सीमाओं को दूर करते हुए लक्षित ग्लास ट्रांज़िशन तापमान श्रेणियों के भीतर ग्लास संरचनाओं की मजबूती से स्क्रीनिंग की जा सके।

मूल लेखक: Meijing Chen, Bin Liu, Ying Liu, Tianrui Li

प्रकाशित 2026-01-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Meijing Chen, Bin Liu, Ying Liu, Tianrui Li

मूल पेपर CC BY 4.0 (http://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 ब्रेड का एक आदर्श लोफ (loaf) बनाने की कोशिश कर रहे हैं, लेकिन आटे और पानी के बजाय, आप कांच बनाने के लिए दर्जनों अलग-अलग रासायनिक सामग्रियों का मिश्रण कर रहे हैं। लक्ष्य एक विशिष्ट "रेसिपी" (सामग्रियों का एक संयोजन) खोजना है जो कांच को बिल्कुल सही तापमान (जिसे ग्लास ट्रांज़िशन टेम्परेचर या $T_g$ कहा जाता है) पर पिघलने और जमने में मदद करे।

पारंपरिक रूप से, वैज्ञानिक इन रेसिपी खोजने के लिए अनुमान लगाने और जांचने की कोशिश करते हैं, जैसे कि आंखों पर पट्टी बांधकर निशानेबाजी करना। यह धीमा, महंगा और निराशाजनक है क्योंकि इसमें लाखों संभावित संयोजन मौजूद हैं।

यह शोध पत्र इस तरह की रेसिपी खोजने का एक नया, स्मार्ट तरीका पेश करता है जिसे सेल्फ-सुपरवाइज्ड लर्निंग (Self-Supervised Learning) नामक आर्टिफिशियल इंटेलिजेंस का एक प्रकार कहा जाता है। उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है:

1. खेल बदलना: "संख्या का अनुमान लगाने" से "हाँ या ना" तक

अधिकांश कंप्यूटर प्रोग्राम यह भविष्यवाणी करने की कोशिश करते हैं कि कांच किस सटीक तापमान पर पिघलेगा (जैसे, "453.2°C")। लेखकों ने महसूस किया कि यह बहुत कठिन है क्योंकि डेटा अव्यवस्थित और अक्सर गलत होता है।

इसके बजाय, उन्होंने सवाल बदल दिया। उन्होंने कंप्यूटर से पूछा: "क्या यह रेसिपी 500°C और 600°C के बीच पिघलेगी?"

हाँ = लक्ष्य (अच्छा!)
नहीं = गैर-लक्ष्य (बुरा)

यह एक कठिन गणितीय समस्या को एक सरल वर्गीकरण खेल (sorting game) में बदल देता है, जिसे सीखना कंप्यूटर के लिए बहुत आसान है।

2. "नकली" गलतियों के साथ सिखाना (डेटा ऑग्मेंटेशन)

वास्तविक दुनिया का डेटा शोर (noisy) से भरा होता है। कभी-कभी एक वैज्ञानिक तापमान को थोड़ा गलत माप लेता है, या सामग्रियों को पूरी तरह से नहीं तौला जाता है। यदि आप कंप्यूटर को केवल "परफेक्ट" डेटा के साथ सिखाते हैं, तो वह वास्तविक दुनिया की गलतियों को देखकर भ्रमित हो जाता है।

लेखकों ने एक सांख्यिकीय नियम (सेंट्रल लिमिट थ्योरम) पर आधारित एक चतुर तकनीक का आविष्कार किया। उन्होंने अपने डेटा को लिया और उसमें सामग्रियों की मात्रा में मामूली, यादृच्छिक (random) "हलचल" जोड़ दी, जो यह दर्शाता है कि क्या होता है जब कोई वैज्ञानिक छोटी सी माप की गलती करता है।

उपमा: कल्पना कीजिए कि आप एक बच्चे को कुत्ता पहचानना सिखा रहे हैं। आप उन्हें कुत्ते की एक फोटो दिखाते हैं, फिर आप उन्हें वही फोटो थोड़ी धुंधली, घूमी हुई, या लेंस पर थोड़ी धूल के साथ दिखाते हैं। बच्चा सीख जाता है कि शोर के बावजूद, वह अभी भी एक कुत्ता ही है।
परिणाम: कंप्यूटर ने माप की छोटी गलतियों को अनदेखा करना और कांच की रेसिपी की वास्तविक "आत्मा" पर ध्यान केंद्रित करना सीख लिया।

3. "डीपग्लासनेट" (DeepGlassNet) मस्तिष्क

सामग्रियां कैसे परस्पर क्रिया करती हैं, इसे समझने के लिए लेखकों ने DeepGlassNet नामक एक विशेष न्यूरल नेटवर्क बनाया।

प्रथम-क्रम प्रभाव (First-Order Effect): नेटवर्क यह सीखता है कि एक एकल सामग्री (जैसे सिलिकॉन) अकेले कांच को कैसे प्रभावित करती है।
द्वितीय-क्रम प्रभाव (Second-Order Effect): यही जादुई हिस्सा है। कांच केवल सामग्रियों का ढेर नहीं है; वे एक-दूसरे से बात करते हैं। उदाहरण के लिए, एल्युमीनियम अलग तरह से व्यवहार कर सकता है यदि वह सोडियम के साथ है बनाम यदि वह कैल्शियम के साथ है।
उपमा: एक सोशल नेटवर्क के बारे में सोचें। नेटवर्क केवल यह नहीं देखता कि आप कौन हैं; यह देखता है कि आपके दोस्त कौन हैं और वे कैसे बातचीत करते हैं। DeepGlassNet इन रासायनिक "दोस्ती" के जटिल व्यवहार को समझने के लिए मानचित्र तैयार करता है।

4. स्क्रीनिंग प्रक्रिया

एक बार जब कंप्यूटर प्रशिक्षित हो गया, तो उन्होंने केवल पुराने डेटा पर इसका परीक्षण नहीं किया। उन्होंने इसे 39,000 बिल्कुल नई, पहले कभी न देखी गई रेसिपी के विशाल पुस्तकालय को स्कैन करने के लिए कहा।

कंप्यूटर ने उन शीर्ष 10 रेसिपी को चुना जिन्हें वह विशिष्ट तापमान श्रेणियों (300–400°C, 400–500°C, और 500–600°C) के लिए उपयुक्त समझता था।
वैज्ञानिकों ने फिर लैब में जाकर वास्तव में इन 6 कांचों को बनाया।

5. परिणाम

प्रयोग पूरी तरह से सफल रहा।

एक्स-रे परीक्षणों ने पुष्टि की कि सामग्रियां वास्तव में कांच (क्रिस्टल नहीं) थीं।
हीट टेस्ट ने दिखाया कि कांच ठीक वहीं पिघले जहाँ कंप्यूटर ने भविष्यवाणी की थी।
- जिनका लक्ष्य 300–400°C था, वे 378°C और 388°C पर पिघले।
- जिनका लक्ष्य 400–500°C था, वे 440°C और 479°C पर पिघले।
- जिनका लक्ष्य 500–600°C था, वे 543°C और 548°C पर पिघले।

सारांश

यह शोध पत्र दावा करता है कि समस्या को "हाँ/ना" के प्रश्न में बदलकर, AI को अव्यवस्थित डेटा को संभालने के लिए सिखाकर, और एक ऐसा मस्तिष्क बनाकर जो सामग्रियों की परस्पर क्रिया को समझता है, उन्होंने एक अत्यधिक कुशल उपकरण बनाया। इस उपकरण ने सफलतापूर्वक नए कांच के नुस्खे खोजे जो बिल्कुल अनुमान के अनुसार काम करते हैं, जिससे यह सिद्ध होता है कि यह विधि अनंत परीक्षण और त्रुटि (trial and error) के बिना नई सामग्रियों को डिजाइन करने का एक शक्तिशाली तरीका है।

तकनीकी सारांश: ग्लास संरचना स्क्रीनिंग के लिए स्व-पर्यवेक्षित शिक्षण (Self-Supervised Learning)

समस्या विवरण
विशिष्ट गुणों वाले, विशेष रूप से एक लक्षित ग्लास ट्रांजिशन टेम्परेचर ( $T_g$ ) वाले, नए बहु-घटक ग्लास पदार्थों की खोज वर्तमान में "एडिसन शैली" के परीक्षण-और-त्रुटि (trial-and-error) दृष्टिकोण के कारण बाधित है, जो समय लेने वाला और महंगा है। ऑक्साइड ग्लास की जटिलता, जिसमें आवर्त सारणी के आधे से अधिक तत्व शामिल हो सकते हैं, एक ऐसा संरचनात्मक स्थान बनाती है जो प्रयोगात्मक स्क्रीनिंग के लिए बहुत विशाल है। हालांकि मशीन लर्निंग (ML) एक समाधान प्रदान करती है, मौजूदा पर्यवेक्षित (supervised) विधियों को महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

डेटा की कमी और शोर (Noise): सुपरवाइज्ड रिग्रेशन मॉडल को $T_g$ मानों को सटीक रूप से फिट करने के लिए बड़े, उच्च-गुणवत्ता वाले डेटासेट की आवश्यकता होती है। हालांकि, मौजूदा ग्लास डेटाबेस (जैसे, SciGlass, Interglad) विसंगतियों, आउटलेर्स और मापन त्रुटियों (जैसे, द्रव्यमान अंशों का योग इकाई के बराबर न होना) से भरे हुए हैं।
असंतुलित वितरण: $T_g$ डेटा अक्सर एक 'लॉन्ग-टेल' वितरण का पालन करता है, जिसमें 300–600°C की सीमा में उच्च आवृत्ति होती है और अन्य क्षेत्रों में डेटा विरल होता है। मीन स्क्वेर्ड एरर (MSE) के लिए अनुकूलित रिग्रेशन मॉडल "हेड" नमूनों पर ओवरफिट होने की प्रवृत्ति रखते हैं जबकि "टेल" क्षेत्रों में खराब प्रदर्शन करते हैं।
जटिल अंतःक्रियाएं (Complex Interactions): संरचना और $T_g$ के बीच का संबंध जटिल प्रथम-क्रम प्रभावों और उच्च-क्रम की अंतःक्रियाओं (जैसे, $Al^{3+}$ एल्केली आयनों के साथ कैसे अंतःक्रिया करता है) को शामिल करता है जिन्हें मानक मॉडल स्पष्ट रूप से पकड़ने में संघर्ष करते हैं।

कार्यप्रणाली (Methodology)
लेखक एक नवीन ढांचे का प्रस्ताव करते हैं जो ग्लास संरचना स्क्रीनिंग को रिग्रेशन कार्य के बजाय एक वर्गीकरण समस्या (classification problem) के रूप में पुनर्गठित करता है। लक्ष्य सटीक तापमान मान का अनुमान लगाने के बजाय यह भविष्यवाणी करना है कि किसी संरचना का $T_g$ एक पूर्व-निर्धारित लक्षित अंतराल (जैसे, 500–600°C) के भीतर आता है या नहीं।

यह ढांचा चार मुख्य घटकों से बना है:

डेटा प्रीप्रोसेसिंग और लेबल ट्रांसफॉर्मेशन:
- डेटा SciGlass डेटाबेस (v7.12) से लिया गया था, जिसे उन प्रविष्टियों को हटाने के लिए साफ किया गया था जहाँ द्रव्यमान अंशों का योग इकाई के बराबर नहीं था ( [0.95, 1.05] की सीमा के भीतर), और इसे 18 प्रमुख ऑक्साइडों तक सीमित किया गया।
- नमूनों को "लक्ष्य" (1) के रूप में लेबल किया गया यदि उनका $T_g$ विशिष्ट अंतराल में था, और "गैर-लक्ष्य" (0) के रूप में अन्यथा। यह रूपांतरण $T_g$ के शोर के प्रति संवेदनशीलता को कम करता है और सीखने के कार्य को सरल बनाता है।
एसिम्प्टोटिक थ्योरी-आधारित डेटा ऑग्मेंटेशन:
- डेटा की कमी और शोर को संबोधित करने के लिए, लेखक सेंट्रल लिमिट थ्योरम पर आधारित एक डेटा ऑग्मेंटेशन रणनीति पेश करते हैं। वे यह मानते हैं कि घटक अनुपात में मापन त्रुटियां स्वतंत्र और समान रूप से वितरित (i.i.d.) हैं, जिससे कुल त्रुटि का एक सामान्य वितरण प्राप्त होता है।
- प्रशिक्षण के दौरान, घटक अनुपातों ( $x'_i = x_i \times (1 + \epsilon)$ ) पर छोटे व्यवधान ( $\epsilon \sim N(0, \sigma^2)$ ) लागू किए जाते हैं। यह मॉडल को मापन शोर के प्रति मजबूत विशेषताएं सीखने के लिए मजबूर करता है, जबकि भौतिक यथार्थवाद (शून्य घटक शून्य ही रहते हैं) को बनाए रखता है।
DeepGlassNet आर्किटेक्चर:
जटिल संरचनात्मक अंतःक्रियाओं को पकड़ने के लिए डिज़ाइन किया गया एक समर्पित न्यूरल नेटवर्क:
- प्रपोर्शन-मॉड्यूलेटेड एम्बेडिंग (Proportion-Modulated Embedding): प्रथम-क्रम के प्रभावों को पकड़ने के लिए घटक एम्बेडिंग्स को उनके द्रव्यमान अंशों के आधार पर समायोजित करता है।
- ग्राफ कनवल्शन लेयर: घटकों को एक ग्राफ में नोड्स के रूप में मॉडल करता है। एडजेसेंसी मैट्रिक्स का लो-रैंक फैक्टराइजेशन ( $A = VV^T$ ) घटकों के बीच सममित, द्वितीय-क्रम की अंतःक्रियाओं को कैप्चर करता है, जिससे मॉडल यह सीख पाता है कि तत्वों के जोड़े गुणों को कैसे प्रभावित करते हैं।
- सेल्फ-अटेंशन लेयर: सभी घटकों के बीच अटेंशन स्कोर की गणना करके उच्च-क्रम की अंतःक्रियाओं को कैप्चर करता है, जिससे फीचर रिप्रजेंटेशन परिष्कृत होता है।
- नॉनलीन प्रोजेक्शन: परिष्कृत फीचर्स को वर्गीकरण के लिए निम्न-आयामी स्थान में मैप करता है।
स्व-पर्यवेक्षित शिक्षण (SSL) ढांचा:
- लेबल को पुनर्गठित करने के बजाय, मॉडल को एक कंट्रास्टिव लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है। प्रत्येक एंकर सैंपल के लिए, एक पॉजिटिव सैंपल (समान क्लास) और एक नेगेटिव सैंपल (अलग क्लास) चुना जाता है।
- मॉडल एंकर और पॉजिटिव सैंपल के बीच समानता को अधिकतम करने और एंकर और नेगेटिव सैंपल के बीच समानता को न्यूनतम करने के लिए अनुकूलित होता है। यह सीधे रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (ROC) के नीचे के क्षेत्र (AUC) को अनुकूलित करता है, जो वर्गीकरण के लिए एक मजबूत मीट्रिक है, बिना सटीक $T_g$ लेबल पुनर्निर्माण की आवश्यकता के।

प्रमुख योगदान

कार्य का पुनर्गठन: डेटा की कमी और शोर संवेदनशीलता को कम करने के लिए संरचना स्क्रीनिंग के लिए रिग्रेशन से वर्गीकरण में बदलाव।
नवीन ऑग्मेंटेशन रणनीति: मापन त्रुटियों को सिम्युलेट करने और मॉडल की मजबूती में सुधार करने के लिए एसिम्प्टोटिक थ्योरी पर आधारित भौतिकी-सूचित (physics-informed) डेटा ऑग्मेंटेशन पद्धति का परिचय।
DeepGlassNet: एक विशेष आर्किटेक्चर विकसित करना जो ग्राफ कनवल्शन और सेल्फ-अटेंशन का उपयोग करके ग्लास घटकों के बीच प्रथम-क्रम, द्वितीय-क्रम और उच्च-क्रम की अंतःक्रियाओं को स्पष्ट रूप से मॉडल करता है।
स्व-पर्यवेक्षित अनुकूलन: AUC को सीधे अनुकूलित करने के लिए कंट्रास्टिव लर्निंग का उपयोग करना, जिससे उच्च-गुणवत्ता वाले लेबल वाले डेटा पर निर्भरता कम होती है।

परिणाम

बेंचमार्किंग: एक वैलिडेशन सेट पर, DeepGlassNet ने विभिन्न $T_g$ अंतरालों (100°C, 50°C, 20°C, 10°C) में शास्त्रीय ML एल्गोरिदम (KNN, MLP, SVM, Random Forest, Decision Tree) को AUC और Precision@100 के मामले में काफी बेहतर प्रदर्शन किया।
एब्लेशन अध्ययन (Ablation Studies): डेटा ऑग्मेंटेशन मॉड्यूल या इंटरेक्शन फीचर एक्सट्रैक्शन मॉड्यूल (ग्राफ कनवल्शन + अटेंशन) में से किसी एक को हटाने से सांख्यिकीय रूप से महत्वपूर्ण प्रदर्शन गिरावट आई, जो दोनों घटकों की आवश्यकता की पुष्टि करती है।
प्रयोगात्मक सत्यापन: मॉडल का उपयोग लगभग 39,000 सैद्धांतिक रूप से वैध संरचनाओं के एक सिंथेटिक टेस्ट सेट को स्क्रीन करने के लिए किया गया। तीन लक्षित श्रेणियों (300–400°C, 400–500°C, 500–600°C) के लिए छह उम्मीदवार संरचनाएं चुनी गईं।
- XRD और DSC के माध्यम से संश्लेषण और लक्षण वर्णन द्वारा किए गए प्रयोगात्मक परीक्षणों ने नमूनों की अमोर्फस प्रकृति की पुष्टि की।
- सभी छह नमूनों के लिए मापे गए $T_g$ मान उनके संबंधित लक्षित अंतरालों के भीतर थे (जैसे, 300–400°C के लक्ष्य के लिए 378°C और 388°C; 500–600°C के लक्ष्य के लिए 543°C और 548°C)।

महत्व
यह शोध दावा करता है कि यह कार्य डेटा-गहन (data-hungry) सुपरवाइज्ड लर्निंग की सीमाओं को पार करके बहु-घटक ग्लास डिजाइन करने के लिए एक कुशल पद्धति प्रदान करता है। वर्गीकरण के रूप में कार्य को पुनर्गठित करके और शोर-रोधी ऑग्मेंटेशन के साथ स्व-पर्यवेक्षित शिक्षण का उपयोग करके, यह ढांचा मजबूत सामान्यीकरण (generalization) और अनुकूलन क्षमता प्रदर्शित करता है। लेखक तर्क देते हैं कि यह दृष्टिकोण व्यापक सामग्री खोज कार्यों के लिए स्व-पर्यवेक्षित शिक्षण को लागू करने के लिए एक आधार स्थापित करता है, जिससे विस्तृत प्रयोगात्मक डेटा की आवश्यकता के बिना विशाल, अनछुए संरचनात्मक स्थानों में आशाजनक उम्मीदवारों की पहचान करना संभव होता है। आगे के अनुसंधान को सुगम बनाने के लिए कोड और डेटा को सार्वजनिक रूप से उपलब्ध कराया गया है।