SynCoTrain: A Dual Classifier PU-learning Framework for Synthesizability Prediction
SynCoTrain एक सेमी-सुपरवाइज्ड मशीन लर्निंग फ्रेमवर्क है जो डेटा की कमी को दूर करने और ऑक्साइड क्रिस्टल की संश्लेषणीयता (synthesizability) की सटीक भविष्यवाणी करने के लिए ड्यूल ग्राफ न्यूरल नेटवर्क (Schnet और ALIGNN) और पॉजिटिव-अनलेबल लर्निंग के साथ को-ट्रेनिंग रणनीति का उपयोग करता है, जिससे उच्च-थ्रूपुट सामग्री खोज को बढ़ावा मिलता है।
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
एक ऐसी दुनिया की कल्पना करें जहाँ वैज्ञानिक मास्टर शेफ की तरह हैं, लेकिन रात का खाना बनाने के बजाय, वे भविष्य के लिए पूरी तरह से नए सामग्रियां (ingredients) बनाने की कोशिश कर रहे हैं। वे ऐसी सामग्रियां बनाना चाहते हैं जो बीमारियों को ठीक कर सकें, सौर ऊर्जा को संग्रहित कर सकें, या हमारी हवा को साफ कर सकें। समस्या यह है कि ब्रह्मांड के पास संभावित सामग्रियों की एक लगभग अनंत रसोई है, लेकिन उनमें से अधिकांश केवल "सैद्धांतिक रेसिपी" (theoretical recipes) हैं—ऐसे विचार जो कागज पर तो अच्छे दिखते हैं लेकिन शायद वास्तव में एक असली रसोई में बनाना असंभव हो सकते हैं। दशकों तक, वैज्ञानिकों ने सरल नियमों या इस आधार पर अनुमान लगाने की कोशिश की कि क्या सामग्रियां ऊर्जावान रूप से स्थिर हैं। लेकिन यह पता चला है कि एक रेसिपी पूरी तरह से स्थिर हो सकती है और फिर भी बनाना असंभव हो सकती है क्योंकि "पकाने की प्रक्रिया" बहुत कठिन है, या इसे बनाने के उपकरण अभी तक आविष्कार नहीं किए गए हैं। यह "सिंथेसाइजेबिलिटी" (synthesizability) की पेचीदा पहेली है: यह पता लगाना कि कौन सी नई सामग्रियां वास्तव में प्रयोगशाला में बनाई जा सकती हैं और कौन सी केवल कंप्यूटर में दिखने वाली 'भूतिया' रचनाएं हैं।
यहाँ SynCoTrain आता है, जो इस रहस्य को सुलझाने के लिए बनाया गया एक नया डिजिटल जासूस है। इसे दो बहुत अलग विशेषज्ञों की एक टीम के रूप में समझें—एक "रसायन शास्त्री" (Chemist) और एक "भौतिक विज्ञानी" (Physicist)—जो यह अनुमान लगाने की कोशिश कर रहे हैं कि लाखों रहस्यमयी बक्सों में से किनमें एक वास्तविक, निर्माण योग्य सामग्री है। पेच यह है कि उनके पास केवल उन सामग्रियों की एक सूची है जिन्हें वे जानते हैं कि बनाया जा सकता है ("पॉजिटिव" सूची), और उनके पास बिना लेबल वाले रहस्यमयी बक्सों का एक विशाल ढेर है। उनके पास "विफल" सामग्रियों की कोई सूची नहीं है क्योंकि विज्ञान में, कोई भी अपने असफल प्रयोगों को प्रकाशित नहीं करता है। इसे हल करने के लिए, SynCoTrain "को-ट्रेनिंग" (co-training) नामक एक चतुर तकनीक का उपयोग करता है। दोनों विशेषज्ञ अलग-अलग दृष्टिकोणों से रहस्यमयी बक्सों को देखते हैं। रसायन शास्त्री (ALIGNN मॉडल का उपयोग करते हुए) यह देखता है कि परमाणु कैसे जुड़ते हैं और उनके बीच के कोण क्या हैं, जबकि भौतिक विज्ञानी (SchNet मॉडल का उपयोग करते हुए) ऊर्जा और संरचना के निरंतर प्रवाह को देखता है। वे एक-दूसरे को सिखाने के लिए बारी-बारी से काम करते हैं: "हे, मुझे लगता है कि यह बॉक्स एक विजेता है!" और दूसरा जाँचता है, "मैं सहमत हूँ, आइए इसे ज्ञात विजेताओं की हमारी सूची में जोड़ दें।" कई दौरों में अपने नोट्स और अनुमानों को परिष्कृत करके, वे अकेले किसी एक के मुकाबले कहीं बेहतर तरीके से वास्तविक सामग्रियों को पहचानने में सक्षम होते हैं।
शोध पत्र दिखाता है कि यह टीम-अप दृष्टिकोण आश्चर्यजनक रूप से अच्छा काम करता है। जब उन्होंने ऑक्साइड (oxides) नामक सामग्रियों के एक विशिष्ट परिवार पर अपने सिस्टम का परीक्षण किया (जो जंग से लेकर सिरेमिक तक हर जगह मौजूद हैं), तो मॉडल ने उन लगभग सभी सामग्रियों की सही पहचान की जो पहले से ही निर्माण योग्य ज्ञात थीं। वास्तव में, इसने "95% से 97%" की "रिकॉल" (recall) दर हासिल की, जिसका अर्थ है कि इसने वास्तविक सफलताओं को बहुत कम छोड़ा। हालाँकि, इसने चयनात्मक होना भी सीखा: जिन सभी रहस्यमयी बक्सों को इसने देखा, उनमें से इसने केवल लगभग 21% को ही निर्माण योग्य के रूप में चिह्नित किया। यह एक अच्छी बात है; इसका मतलब है कि मॉडल हर चीज़ के लिए "हाँ" कहकर अनुमान नहीं लगा रहा है। इसने यह भी देखा कि उच्च ऊर्जा (कन्वेक्स हल से 1 eV से अधिक, जो स्थिरता बताने का एक तकनीकी तरीका है) वाली सामग्रियां निर्माण योग्य कहलाने की संभावना 2.5 गुना कम थीं, जिससे साबित होता है कि मॉडल समझता है कि स्थिरता मायने रखती है, भले ही उसे स्पष्ट रूप से यह नियम न सिखाया गया हो।
शोधकर्ताओं ने वहीं नहीं रोका। उन्होंने अपने नए "विशेषज्ञ दल" का उपयोग करके एक विशाल सैद्धांतिक डेटा को लेबल किया, जिससे एक नया, उच्च-गुणवत्ता वाला प्रशिक्षण सेट तैयार हुआ। फिर उन्होंने इस नए डेटा पर एक अंतिम, अत्यंत बुद्धिमान भविष्यवक्ता (SchNet मॉडल का उपयोग करते हुए) को प्रशिक्षित किया। इस अंतिम उपकरण का परीक्षण सामग्रियों के तीन अलग-अलग डेटाबेस पर किया गया जिन्हें उसने पहले कभी नहीं देखा था। इसने पाया कि जबकि कुछ डेटाबेस (जैसे Open Quantum Materials Database) में अपेक्षित मात्रा से लगभग दोगुने "संभावित निर्माण योग्य" क्रिस्टल थे, अन्य (जैसे iMatgen नामक AI द्वारा उत्पन्न) मुख्य रूप से "बनाने के लिए असंभव" थे, जिनका स्कोर शून्य के करीब था। शोध पत्र सुझाव देता है कि हालांकि यह उपकरण पूर्ण नहीं है और 100% निश्चितता के साथ भविष्य की भविष्यवाणी नहीं कर सकता है, फिर भी यह एक शक्तिशाली फिल्टर है। यह वैज्ञानिकों को लाखों "भूतिया रेसिपी" को छोड़ने और उन कुछ सौ सामग्रियों पर ध्यान केंद्रित करने में मदद कर सकता है जो वास्तव में काम कर सकती हैं, जिससे कल की सामग्रियां खोजने की दौड़ में भारी संसाधनों की बचत होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।