🔬 materials science

Accurate predictive model of band gap with selected important features based on explainable machine learning

यह अध्ययन प्रदर्शित करता है कि एक सपोर्ट वेक्टर रिग्रेशन मॉडल से अप्रासंगिक और सहसंबंधित विशेषताओं को हटाने के लिए व्याख्यात्मक मशीन लर्निंग तकनीकों को लागू करने से सामग्री बैंड गैप के लिए एक सरल, पांच-विशेषता वाला भविष्यवक्ता प्राप्त होता है, जो उच्च सटीकता बनाए रखते हुए सामग्री खोज के लिए सामान्यीकरण और व्याख्यात्मकता में महत्वपूर्ण सुधार करता है।

मूल लेखक: Joohwi Lee, Kaito Miyamoto

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joohwi Lee, Kaito Miyamoto

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 एक रोबोट को किसी नए पदार्थ की "पर्सनैलिटी" यानी व्यक्तित्व का अनुमान लगाना सिखा रहे हैं—विशेष रूप से यह कि वह बिजली का कितना अच्छा संवाहक है (जिसे बैंड गैप कहा जाता है)। इसे करने के लिए, आप रोबोट को उस पदार्थ के बारे में 18 अलग-अलग सुरागों की एक विशाल सूची देते हैं, जैसे कि उसका वजन, उसके परमाणुओं का आकार, इलेक्ट्रॉनों को पकड़ने की उसकी क्षमता, और यहाँ तक कि पिछले प्रयोगों से निकले कुछ जटिल गणितीय कैलकुलेशन भी।

आप एक बहुत ही स्मार्ट रोबोट (मशीन लर्निंग मॉडल) को प्रशिक्षित करते हैं। वह उन पदार्थों के लिए सटीक अनुमान लगाने में माहिर हो जाता है जिन्हें उसने पहले देखा है। लेकिन समस्या यह है कि रोबोट एक ब्लैक बॉक्स है। वह आपको उत्तर तो देता है, लेकिन यह नहीं बताता कि उसे ऐसा क्यों लगता है। यह एक ऐसे शेफ की तरह है जो स्वादिष्ट सूप तो बनाता है, लेकिन यह बताने से इनकार कर देता है कि वास्तव में कौन से मसाले उस स्वाद को बना रहे हैं। हो सकता है कि रोबोट किसी ऐसे मसाले पर भरोसा कर रहा हो जिसका कोई महत्व ही न हो, या शायद वह भ्रमित हो क्योंकि दो सुराग (संकेत) इतने समान हैं कि उसे समझ नहीं आ रहा कि किस पर भरोसा किया जाए।

यह पेपर उस ब्लैक बॉक्स को खोलने के बारे में है ताकि असली गुप्त सामग्रियों (ingredients) को खोजा जा सके, फालतू चीजों को हटाया जा सके, और एक सरल, स्मार्ट रोबोट बनाया जा सके जो उन नई रेसिपीज़ पर बेहतर काम करे जिन्हें उसने पहले कभी नहीं देखा है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल चरणों में विभाजित किया गया है:

1. "शोर" की समस्या: बहुत अधिक सुराग

शोधकर्ताओं ने 18 सुरागों से शुरुआत की। लेकिन इनमें से कुछ सुराग मूल रूप से एक ही बात कह रहे थे। उदाहरण के लिए, परमाणुओं के "औसत वजन" को जानना और "सबसे भारी परमाणु के वजन" को जानना इतना समान हो सकता है कि वे रोबोट को भ्रमित कर दें। डेटा की दुनिया में, इसे मल्टीकोलिनियैरिटी (multicollinearity) कहा जाता है।

यदि आप एक जासूस से पूछते हैं, "कुकी किसने चुराई?" और आप उसे दो गवाह देते हैं जो वास्तव में एक ही व्यक्ति हैं जिसने बस अलग-अलग टोपियाँ पहनी हुई हैं, तो जासूस को लग सकता है कि वहाँ दो महत्वपूर्ण सुराग हैं जबकि वास्तव में केवल एक ही है। इससे रोबोट किसी विशिष्ट सुराग के महत्व को बहुत अधिक आंकने लगता है।

समाधान: रोबोट से खुद को समझाने के लिए कहने से पहले, शोधकर्ताओं ने सूची को साफ किया। उन्होंने उन सुरागों को हटा दिया जो एक-दूसरे के बहुत समान थे (जैसे डुप्लिकेट गवाहों को हटाना)। इससे उनके पास 11 स्पष्ट और अलग सुराग बचे।

2. "जासूसी का काम": व्याख्यात्मक एआई (XML)

अब जब सूची साफ हो गई थी, तो उन्होंने एक्सप्लेनेबल एआई (XML) नामक विशेष उपकरणों का उपयोग किया। इन उपकरणों को एक आवर्धक लेंस (magnifying glass) की तरह समझें जो रोबोट को अपनी सोच समझाने की अनुमति देता है।

PFI (परम्यूटेशन फीचर इम्पोर्टेंस): कल्पना कीजिए कि रोबोट एक खेल खेल रहा है। शोधकर्ता एक सुराग हटा देते हैं, उसे शफल (shuffle) करते हैं, और फिर से अनुमान लगाने के लिए कहते हैं। यदि रोबोट का अनुमान बहुत खराब हो जाता है, तो वह सुराग महत्वपूर्ण था। यदि अनुमान वैसा ही रहता है, तो वह सुराग बेकार था।
SHAP (शाप्ले एडिटिव एक्सप्लेनेशन): यह "बिल बांटने" के एक निष्पक्ष खेल की तरह है। यह गणना करता है कि हर एक भविष्यवाणी के लिए प्रत्येक सुराग ने अंतिम उत्तर में कितना योगदान दिया।

इन उपकरणों का उपयोग करके, उन्होंने 11 सुरागों को "सबसे महत्वपूर्ण" से "सबसे कम महत्वपूर्ण" के क्रम में व्यवस्थित किया।

3. बड़ी खोज: कम ही अधिक है

शोधकर्ताओं ने अलग-अलग संख्या में सुरागों का उपयोग करके नए रोबोट बनाए, जिसमें सभी 11 सुरागों से शुरू करके धीरे-धीरे कम महत्वपूर्ण सुरागों को हटाया गया।

आश्चर्य: उन्होंने पाया कि केवल शीर्ष 5 सुरागों वाला रोबोट उन पदार्थों के लिए भी उतना ही अच्छा काम करता था जितने कि 11 सुरागों वाले रोबोट ने उन पदार्थों के लिए देखा था जिन्हें उसने पहले देखा था।
असली जीत: जब उन्होंने इन रोबोट्स का परीक्षण बिल्चे, अजीब पदार्थों (वे पदार्थ जिन्हें रोबोट ने प्रशिक्षण के दौरान कभी नहीं देखा था) पर किया, तो "बड़ा रोबोट" (18 या 11 सुरागों वाला) विफल होने लगा। वह अत्यधिक आत्मविश्वासी था और गलत अनुमान लगा रहा था क्योंकि उसने पुराने डेटा को बहुत अच्छी तरह से याद कर लिया था (ओवरफिटिंग)।
"कॉम्पैक्ट" रोबोट: शीर्ष 5 सुरागों वाला रोबोट नए पदार्थों का अनुमान लगाने में बहुत बेहतर था। वह कम भ्रमित था, अधिक सामान्य था, और अधिक सटीक था।

4. "जादुई" सुराग

शीर्ष 5 सुरागों में से एक थोड़ा रहस्यमय था। यह पीरियड नंबरों (जो तत्व आवर्त सारणी में किस पंक्ति में बैठते हैं) का "स्प्रेड" (फैलाव) था।

उपमा: कल्पना कीजिए कि आप एक गायक मंडली (choir) का निर्णय ले रहे हैं। आप सोच सकते हैं कि गायकों की औसत ऊंचाई मायने रखती है। लेकिन इस अध्ययन में पाया गया कि सबसे लंबे और सबसे छोटे गायक के बीच की ऊंचाई का अंतर (स्प्रेड) वास्तव में आपको यह अधिक बताता है कि मंडली कैसी सुनाई देगी। भले ही यह सुराग पहली नज़र में उत्तर के साथ सीधे तौर पर संबंध नहीं दिखाता था, लेकिन एआई ने महसूस किया कि यह पदार्थ के व्यवहार को समझने की एक छिपी हुई कुंजी है।

यह क्यों मायने रखता है?

यह अध्ययन हमें भविष्य के लिए तीन बड़े सबक सिखाता है:

"ब्लैक बॉक्स" पर भरोसा न करें: सिर्फ इसलिए कि एक जटिल मॉडल काम करता है, इसका मतलब यह नहीं है कि वह सही है। आपको यह जानने की जरूरत है कि वह क्यों काम करता है।
सादगी ही शक्ति है: भ्रमित करने वाले, डुप्लिकेट सुरागों को हटाकर, मॉडल अधिक विश्वसनीय और नई स्थितियों को संभालने में बेहतर बन गया।
समय और पैसा बचाएं: हर नए पदार्थ के लिए 18 जटिल नंबरों की गणना करने के बजाय, वैज्ञानिकों को अब केवल 5 की गणना करने की आवश्यकता है। यह कंप्यूटर पावर और समय की भारी बचत करता है, जिससे बेहतर बैटरी, सौर पैनल और कंप्यूटर चिप्स जैसी चीजों के लिए नए पदार्थों की खोज तेज हो जाती है।

संक्षेप में: शोधकर्ताओं ने एक भ्रमित, अत्यधिक जटिल रोबोट को लिया, उसके सुरागों की सूची को साफ किया, और उसे सबसे महत्वपूर्ण पाँच चीजों पर ध्यान केंद्रित करना सिखाया। परिणाम? एक सरल, तेज़ और स्मार्ट रोबोट जो बहुत अधिक सटीकता के साथ सामग्रियों के भविष्य की भविष्यवाणी कर सकता है।

यहाँ जूहीवी ली और काइटो मियामोटो के शोध पत्र "Selected important features के आधार पर explainable machine learning के साथ बैंड गैप का सटीक प्रेडिक्टिव मॉडल" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ब्लैक-बॉक्स की सीमा (The Black-Box Limitation): जबकि नॉन-लीनियर मशीन लर्निंग (ML) मॉडल (जैसे, सपोर्ट वेक्टर रिग्रसन, न्यूरल नेटवर्क) रैखिक मॉडलों की तुलना में सामग्री के गुणों के लिए बेहतर भविष्य कहने वाली सटीकता प्रदान करते हैं, उनकी "ब्लैक-बॉक्स" प्रकृति व्याख्यात्मकता (interpretability) को सीमित करती है। यह वैज्ञानिक समझ और उन भौतिक तंत्रों की पहचान करने में बाधा डालता है जो भविष्यवाणियों को संचालित करते हैं।
फीचर रिडंडेंसी और ओवरफिटिंग (Feature Redundancy and Overfitting): जटिल मॉडल अक्सर बड़ी संख्या में इनपुट फीचर्स का उपयोग करते हैं, जिनमें से कई अत्यधिक सह-संबंधित (multicollinearity) या अप्रासंगिक हो सकते हैं। यह रिडंडेंसी निम्नलिखित कारणों से हो सकती है:
- फीचर महत्व (feature importance) की गलत व्याख्या।
- विशिष्ट फीचर्स के योगदान का अतिरंजित आकलन।
- ट्रेनिंग डेटा के प्रति ओवरफिटिंग, जिसके परिणामस्वरूप आउट-ऑफ-डोमेन (OOD) सामग्रियों (रासायनिक रूप से भिन्न प्रणालियों) के लिए खराब सामान्यीकरण (generalization) होता है।
कंप्यूटेशनल लागत (Computational Cost): बड़े डेटासेट के लिए फीचर्स की गणना करना महंगा हो सकता है। सटीकता से समझौता किए बिना आवश्यक फीचर्स की संख्या को कम करना कुशल सामग्री खोज के लिए महत्वपूर्ण है।
वर्तमान साहित्य में अंतराल (Gap in Current Literature): बैंड गैप पर मौजूदा एक्सप्लेनेबल एमएल (XML) अध्ययन अक्सर संकीमित सामग्री वर्गों (जैसे, पेरोव्स्काइट्स या 2D सामग्री) तक सीमित होते हैं या व्यवस्थित XML-संचालित रैंकिंग के बजाय मैनुअल/फिजिक्स-गाइडेड फीचर चयन पर निर्भर करते हैं।

2. कार्यप्रणाली (Methodology)

यह अध्ययन GW-स्तर के बैंड गैप ( $E_g^{GW}$ ) के लिए कॉम्पैक्ट, व्याख्या योग्य और उच्च-प्रदर्शन वाले प्रेडिक्टिव मॉडल बनाने के लिए एक व्यवस्थित ढांचा प्रस्तावित करता है।

A. डेटासेट और बेसलाइन मॉडल (Dataset and Baseline Model)

डेटा (Data): 270 बाइनरी और टर्नरी अकार्बनिक यौगिकों (इन-डोमेन) का एक डेटासेट और ट्रांजिशन मेटल्स या क्वाटरनरी/पेंटानारी तत्वों वाले 40 सामग्रियों का एक अलग OOD डेटासेट।
फीचर्स (Features): प्रारंभिक "प्रिस्टीन" मॉडल में 18 इनपुट फीचर्स का उपयोग किया गया है, जिसमें शामिल हैं:
- परमाणु गुण (परमाणु क्रमांक, द्रव्यमान, विद्युत ऋኝነት, आयनीकरण ऊर्जा, आवर्त, आदि का माध्य और मानक विचलन)।
- DFT-व्युत्पन्न गुण ( $E_g^{PBE}$ , $E_g^{mBJ}$ बैंड गैप, प्रति परमाणु आयतन, कोहेसिव एनर्जी)।
बेसलाइन मॉडल (Baseline Model): एक सपोर्ट वेक्टर रिग्रसन (SVR) मॉडल जिसमें रेडियल बेसिस फंक्शन (RBF) कर्नेल का उपयोग किया गया है, जिसे ग्रिड सर्च के माध्यम से अनुकूलित किया गया है। इसे इसलिए चुना गया क्योंकि इसने प्रारंभिक बेंचमार्क में रैखिक बेसलाइनों (OLS, LASSO) से बेहतर प्रदर्शन किया।

B. प्रीप्रोसेसिंग: कोरिलेशन एलिमिनेशन (Preprocessing: Correlation Elimination)

महत्वपूर्ण चरण (Critical Step): XML लागू करने से पहले, लेखकों ने दृढ़ता से सह-संबंधित फीचर्स को हटाने के लिए एक परफॉरमेंस-आधारित इटरेटिव फीचर एलिमिनेशन किया।
प्रक्रिया (Process): उच्च सहसंबंध (पियर्सन/स्पियरमैन) वाले फीचर जोड़ों का विश्लेषण किया गया। यदि किसी फीचर को हटाने से भविष्यवाणी त्रुटि (prediction error) में महत्वपूर्ण वृद्धि नहीं होती थी (पेयर्ड टी-टेस्ट द्वारा सत्यापित), तो प्रत्येक जोड़े में से एक फीचर को हटा दिया गया।
परिणाम (Result): फीचर सेट को 18 से घटाकर 11 फीचर्स कर दिया गया, जिससे मल्टीकोलिनियैरिटी प्रभावी रूप से कम हो गई (वैरिएंस इन्फ्लेशन फैक्टर्स 10 से नीचे आ गए)।

C. एक्सप्लेनेबल एमएल (XML) विश्लेषण (Explainable ML Analysis)

11-फीचर वाले SVR मॉडल पर दो पूरक XML विधियाँ लागू की गईं ताकि फीचर महत्व को रैंक किया जा सके:

परम्यूटेशन फीचर इम्पॉर्टेंस (PFI): यह एक फीचर को रैंडमली शफल करने पर भविष्यवाणी त्रुट (RMSE) में होने वाली वृद्धि को मापता है।
SHapley Additive exPlanations (SHAP): यह कोऑपरेटिव गेम थ्योरी के आधार पर मॉडल आउटपुट को फीचर्स के प्रति असाइन करता है, जो स्थानीय और वैश्विक दोनों महत्व स्कोर प्रदान करता है।

कंसिस्टेंसी चेक (Consistency Check): PFI और SHAP से प्राप्त रैंकिंग का क्रॉस-वेरिफिकेशन किया गया। इसके अतिरिक्त, परिणामों की तुलना LASSO रिग्रेशन बेसलाइन के कोएफिशिएंट मैग्नीट्यूड से की गई।

D. मॉडल निर्माण और सत्यापन (Model Construction and Validation)

फीचर चयन (Feature Selection): शीर्ष-रैंक वाले फीचर्स को क्रमिक रूप से जोड़कर (" $n_x$ -फीचर सेट्स") बनाए गए ( $n_x=2$ से $11$ तक)।
मूल्यांकन (Evaluation): मॉडलों का इन-डोमेन और OOD दोनों डेटासेट पर परीक्षण किया गया।
सांख्यिकीय कठोरता (Statistical Rigor): प्रदर्शन का मूल्यांकन 20 रैंडमाइज्ड ट्रेन/टेस्ट स्प्लिट्स पर किया गया। सांख्यिकीय महत्व का निर्धारण पेयर्ड टी-टेस्ट (99% कॉन्फिडेंस लेवल) का उपयोग करके किया गया।

3. मुख्य योगदान (Key Contributions)

व्यवस्थित XML ढांचा (Systematic XML Framework): विविध अकार्बनिक यौगिकों के लिए बैंड गैप के प्रमुख भविष्य कहने वाले फीचर्स की पहचान करने के लिए कोरिलेशन फिल्टरिंग और डुअल-मेथड XML (PFI + SHAP) को संयोजित करने वाला एक मजबूत वर्कफ़्लो विकसित किया गया।
कोरिलेशन पर पद्धतिगत अंतर्दृष्टि (Methodological Insight on Correlation): यह प्रदर्शित किया गया कि मजबूत रूप से सह-संबंधित फीचर्स XML महत्व स्कोर को विकृत कर देते हैं। अध्ययन ने स्पष्ट रूप से दिखाया कि प्री-फिल्टरिंग के बिना, $\sigma(Z)$ और $\sigma(m)$ (अत्यधिक सह-संबंधित) जैसे फीचर्स कृत्रिम रूप से एक-दूसरे के महत्व को बढ़ा देते हैं, जिससे गलत व्याख्या होती है।
अनुकूलतम कॉम्पैक्ट मॉडल (Optimal Compact Model): एक 5-फीचर सेट ( $E_g^{PBE}$ , $\sigma(\chi)$ , $\bar{\chi}$ , $|\bar{n}|$ , $\sigma(p)$ ) की पहचान की गई जो सटीकता और सरलता के बीच संतुलन बनाता है।
बेहतर सामान्यीकरण (Superior Generalization): यह सिद्ध हुआ कि कम-फीचर वाला मॉडल, 18-फीचर वाले प्रिमिटिव मॉडल की तुलना में OOD डेटा पर काफी बेहतर सामान्यीकरण करता है, जो इस धारणा का खंडन करता है कि अधिक फीचर्स हमेशा बेहतर सामान्यीकरण देते हैं।

4. मुख्य परिणाम (Key Results)

फीचर महत्व (Feature Importance):
- शीर्ष फीचर्स: $E_g^{PBE}$ (PBE बैंड गैप) प्रमुख प्रेडिक्टर था। अन्य महत्वपूर्ण फीचर्स में विद्युत ऋኝነት का मानक विचलन ( $\sigma(\chi)$ ), औसत विद्युत ऋኝነት ( $\bar{\chi}$ ), औसत पूर्ण ऑक्सीकरण संख्या ( $|\bar{n}|$ ), और आवर्त का मानक विचलन ( $\sigma(p)$ ) शामिल थे।
- भौतिक अंतर्दृष्टि (Physical Insight): हालांकि $\sigma(p)$ का $E_g$ के साथ कमजोर रैखिक सहसंबंध था, लेकिन यह बड़े पीरियड डिस्पर्शन वाले कंपोजिशन में बायस (bias) को कम करने के लिए महत्वपूर्ण था, जो PBE-से-GW स्केलिंग के लिए एक करेक्शन टर्म के रूप में कार्य करता है।
भविष्यवाणी प्रदर्शन (इन-डोमेन) (Predictive Performance - In-Domain):
- 5-फीचर मॉडल ने 0.254 eV का RMSE प्राप्त किया, जो 18-फीचर प्रिमिटिव मॉडल (0.247 eV) के तुलनीय है।
भविष्यवाणी प्रदर्शन (आउट-ऑफ-डोमेन) (Predictive Performance - Out-of-Domain):
- प्रिमिटिव मॉडल OOD डेटा पर विफल रहा, जिसका RMSE 0.460 eV था।
- 5-फीचर कॉम्पैक्ट मॉडल ने OOD प्रदर्शन में उल्लेखनीय सुधार किया, जिसने 0.348 eV का RMSE प्राप्त किया (0.1 eV से अधिक की कमी)।
- सांख्यिकीय विश्लेषण ने पुष्टि की कि यह सुधार महत्वपूर्ण था ( $p < 10^{-7}$ )।
जनरलाइजेशन गैप (Generalization Gap): कॉम्पैक्ट मॉडल्स ने ट्रेनिंग और टेस्ट एरर के बीच छोटा अंतर दिखाया, जो कम ओवरफिटिंग का संकेत देता है।
LASSO के साथ तुलना (Comparison with LASSO): नॉन-लीनियर SVR+XML दृष्टिकोण द्वारा चुने गए शीर्ष 5 फीचर्स LASSO द्वारा चुने गए फीचर्स से मेल खाते थे, जो विभिन्न रिग्रेशन फ्रेमवर्क के बीच फीचर चयन की मजबूती को प्रमाणित करता है।

5. महत्व (Significance)

विश्वसनीय सामग्री खोज (Trustworthy Materials Discovery): विशिष्ट फीचर्स की भूमिकाओं को स्पष्ट करके और अनावश्यक फीचर्स को हटाकर, यह अध्ययन सामग्री वैज्ञानिकों के लिए ML मॉडलों की विश्वसनीयता को बढ़ाता है, जो केवल "ब्लैक-बॉक्स" भविष्यवाणियों से आगे बढ़ता है।
लागत में कमी (Cost Reduction): इनपुट फीचर्स को 18 से घटाकर 5 करने से फीचर अधिग्रहण (जैसे, कम DFT गणनाओं की आवश्यकता) की कंप्यूटेशनल लागत काफी कम हो जाती है।
सामान्यीकरण रणनीति (Generalization Strategy): निष्कर्ष बताते हैं कि OOD भविष्यवाणी के लिए, सरल, कम सह-संबंधित मॉडल अक्सर जटिल, ओवर-पैरामीटराइज्ड मॉडलों की तुलना में बेहतर प्रदर्शन करते हैं। यह फीचर काउंट को अधिकतम करने के सामान्य अभ्यास को चुनौती देता है।
पद्धतिगत सर्वोत्तम अभ्यास (Methodological Best Practice): यह पेपर एक महत्वपूर्ण प्रोटोकॉल स्थापित करता है: XML लागू करने से पहले हमेशा दृढ़ता से सह-संबंधित फीचर्स को हटा दें। ऐसा न करने पर, सह-संबंधित फीचर्स एक-दूसरे के महत्व को रद्द कर सकते हैं या कृत्रिम रूप से बढ़ा सकते हैं, जिससे गलत निष्कर्ष निकल सकते हैं।

निष्कर्षतः, यह अध्ययन प्रदर्शित करता है कि जब मल्टीकोलिनियैरिटी को संभालने के लिए कठोर प्रीप्रोसेसिंग के साथ लागू किया जाता है, तो एक्सप्लेनेबल मशीन लर्निंग, जटिल नॉन-लीनियर मॉडलों को कॉम्पैक्ट, अत्यधिक सटीक और भौतिक रूप से व्याख्या योग्य उपकरणों में बदल सकती है।