Learning Magnetic Order Classification from Large-Scale Materials Databases

चुंबकत्व पदार्थ का एक मौलिक गुण है जो कंप्यूटर के हार्ड ड्राइव से लेकर एक हाइकर की जेब में रखे कंपास तक सब कुछ आकार देता है। परमाणु स्तर पर, यह इस तरह से उत्पन्न होता है कि इलेक्ट्रॉन द्वारा उत्पन्न सूक्ष्म चुंबकीय क्षण (मैग्नेटिक मोमेंट्स) एक-दूसरे के साथ संरेखित होते हैं। कभी-कभी वे सभी एक ही दिशा में संकेत करते हैं, जिससे एक मजबूत, स्थायी चुंबक बनता है। अन्य समय में, वे विपरीत दिशाओं में संकेत करते हैं, जिससे वे एक-दूसरे को रद्द कर देते हैं और पदार्थ बाहरी दुनिया के लिए गैर-चुंबकीय प्रतीत होता है। यह निर्धारित करना कि कोई विशिष्ट सामग्री इनमें से किस व्यवस्था को अपनाएगी, उन वैज्ञानिकों के लिए एक केंद्रीय चुनौती है जो नई सामग्रियों की खोज करने का प्रयास कर रहे हैं। हालांकि शक्तिशाली कंप्यूटर सिमुलेशन इन अवस्थाओं की भविष्यवाणी कर सकते हैं, वे अक्सर एक ही ढर्रे में फंस जाते हैं, और वास्तविक, अधिक जटिल वास्तविकता अलग होने पर भी सबसे सरल उत्तर पर ही टिके रहते हैं। यह एक अंतर पैदा करता है कि कंप्यूटर किसी सामग्री के बारे में क्या कहता है और वह वास्तव में क्या है, एक ऐसी समस्या जो बेहतर तकनीकों की खोज को धीमा कर देती है।

ओहियो स्टेट यूनिवर्सिटी के एक शोधकर्ता ने मशीन लर्निंग का उपयोग करके इस अंतर को पाटने का एक नया तरीका विकसित किया है, जो आर्टिफिशियल इंटेलिजेंस का एक रूप है जो डेटा में पैटर्न से सीखता है। उन्होंने सामग्रियों के डेटा के एक विशाल ऑनलाइन संग्रह पर ध्यान केंद्रित किया जिसे 'मटेरियल्स प्रोजेक्ट' (Materials Project) के रूप में जाना जाता है, जिसमें लाखों यौगिकों की जानकारी है। शोधकर्ता ने पाया कि इस डेटाबेस को बनाने में उपयोग किए जाने वाले कंप्यूटर सिमुलेशन में एक व्यवस्थित पूर्वाग्रह (बायस) है: वे अक्सर सामग्रियों को फेरोमैग्नेटिक (लौह-चुंबकीय) के रूप में लेबल करते हैं, जिसका अर्थ है कि उनके आंतरिक चुंबक एक ही दिशा में संकेत करते हैं, केवल इसलिए क्योंकि सिमुलेशन ने इसी धारणा के साथ शुरुआत की थी। इसे ठीक करने के लिए, शोधकर्ता ने एक छोटे, अत्यधिक विश्वसनीय डेटाबेस पर एक कंप्यूटर प्रोग्राम को प्रशिक्षित किया, जिसमें उन सामग्रियों के चुंबकीय अवस्थाएँ थीं जिन्हें वास्तविक दुनिया के प्रयोगों द्वारा पुष्ट किया गया था। कार्यक्रम को यह सिखाकर कि वह सामग्री की बुनियादी रासायनिक संरचना और बनावट का उपयोग करके विभिन्न चुंबकीय व्यवस्थाओं के सूक्ष्म संकेतों (फिंगरप्रिंट्स) को कैसे पहचाना जाए, उन्होंने एक ऐसा उपकरण बनाया जो विशाल डेटाबेस को स्कैन कर सकता था और त्रुटियों को पकड़ सकता था।

शोधकर्ता ने पाया कि उनका नया उपकरण उन हजारों सामग्रियों की पहचान कर सकता था जो गलत लेबल की गई होने की संभावना थी। विशेष रूप से, उन्होंने बड़े डेटाबेस में 6,800 से अधिक ऐसे यौगिकों को पाया जिन्हें सरल फेरोमैग्नेट के रूप में चिह्नित किया गया था, लेकिन उनमें एक अधिक जटिल, गैर-संरेखित चुंबकीय संरचना के मजबूत संकेत दिखाई दिए। जब शोधकर्ता ने चिह्नित सामग्रियों के एक यादृच्छिक नमूने की वैज्ञानिक साहित्य के विरुद्ध जांच की, तो उन्होंने पाया कि अधिकांश वास्तव में फेरोमैग्नेटिक नहीं थे। कुछ को एंटीफेरोमैग्नेटिक (प्रति-लौह-चुंबकीय) के रूप में पुष्टि की गई, जहाँ पड़ोसी परमाणु विपरीत दिशाओं में संकेत करते हैं, जबकि अन्य में कोई चुंबकीय क्रम नहीं दिखा। यह सुझाव देता है कि मूल कंप्यूटर सिमुलेशन ने इन सामग्रियों की वास्तविक 'ग्राउंड स्टेट' को मिस कर दिया, संभवतः इसलिए क्योंकि उन्होंने परमाणुओं के स्पिन के विभिन्न अरेंजमेंट को पर्याप्त रूप से नहीं खोजा। यह अध्ययन रेखांकित करता है कि हालांकि कंप्यूटर सिमुलेशन शक्तिशाली होते हैं, वे विशिष्ट 'ब्लाइंड स्पॉट्स' के प्रति प्रवृत्त हो सकते हैं, जिन्हें मशीन लर्निंग, जो प्रयोगात्मक सत्य पर प्रशिक्षित है, ठीक करने में मदद कर सकती है।

यह समझने के लिए कि यह कैसे काम करता है, यह देखना सहायक है कि वैज्ञानिक ने किन उपकरणों का उपयोग किया। जिस बड़े डेटाबेस की उन्होंने जांच की, वह 'डेंसिटी फंक्शनल थ्योरी' (DFT) नामक पद्धति पर निर्भर करता है ताकि पदार्थ के गुणों की भविष्यवाणी की जा सके। यह विधि एक परिष्कृत कैलकुलेटर की तरह है जो ठोस में इलेक्ट्रॉन कैसे चलते हैं, इसके समीकरणों को हल करती है। हालांकि, एक उत्तर प्राप्त करने के लिए, कैलकुलेटर को एक शुरुआती अनुमान (स्टार्टिंग गेस) की आवश्यकता होती है। मटेरियल्स प्रोजेक्ट डेटा को उत्पन्न करने वाले स्वचालित वर्कफ़्लो में, शुरुआती अनुमान लगभग हमेशा यह होता है कि सभी चुंबकीय क्षण एक ही दिशा में संकेत करते हैं। यदि कोई सामग्री वास्तव में एक अलग व्यवस्था पसंद करती है, तो सिमुलेशन अक्सर उसे खोजने में विफल रहता है और प्रारंभिक अनुमान पर ही टिक जाता है। यह एक पहाड़ी परिदृश्य में सबसे निचले बिंदु को खोजने के प्रयास जैसा है, जहाँ आप एक विशिष्ट पहाड़ी के शीर्ष से शुरू करते हैं और केवल नीचे की ओर देखते हैं; आप एक घाटी तो पा सकते हैं, लेकिन यदि आप गलत शिखर से शुरू करते हैं, तो आप सबसे गहरी घाटी कभी नहीं खोज पाएंगे।

शोधकर्ता ने 'MAGNDATA' नामक एक अलग डेटासेट पर प्रशिक्षित एक क्लासिफायर (वर्गीकारक), जो मशीन लर्निंग मॉडल का एक प्रकार है, बनाकर इस समस्या का समाधान किया। इस डेटाबेस में वे चुंबकीय संरचनाएं शामिल हैं जिन्हें न्यूट्रॉन स्कैटरिंग जैसी तकनीकों का उपयोग करके प्रयोगशालाओं में सीधे मापा गया है, जो परमाणुओं और उनके चुंबकीय क्षणों की व्यवस्था को उच्च सटीकता के साथ देख सकती हैं। चूंकि ये प्रविष्टियाँ वास्तविक मापों पर आधारित हैं, इसलिए इन्हें 'गोल्ड स्टैंडर्ड' माना जाता है। शोधकर्ता ने अपने कंप्यूटर प्रोग्राम को यह सिखाया कि वह किसी सामग्री की सरल विशेषताओं को देखे, जैसे कि इसमें कौन से तत्व शामिल हैं, यह कितना सघन है, और इसके इलेक्ट्रॉनों के ऊर्जा स्तर क्या हैं। उन्होंने जटिल, गणना करने में कठिन विवरणों का उपयोग नहीं किया, बल्कि बुनियादी जानकारी का उपयोग किया जो लगभग हर सामग्री के लिए आसानी से उपलब्ध है। लक्ष्य यह देखना था कि क्या ये सरल संकेत यह बताने के लिए पर्याप्त हैं कि एक सामग्री वास्तव में फेरोमैग्नेटिक है या इसमें एक अधिक जटिल, छिपी हुई व्यवस्था है।

परिणाम आश्चर्यजनक थे। मशीन लर्निंग मॉडल ने उन सामग्रियों के बीच अंतर करना सीख लिया जो शून्य 'मैग्नेटिक प्रोपेगेशन वेक्टर' (शून्य चुंबकीय प्रसार वेक्टर) रखते हैं, जो फेरोमैग्नेटिज्म जैसे सरल, दोहराव वाले पैटर्न के अनुरूप है, और उन सामग्रियों के बीच जो गैर-शून्य वेक्टर रखते हैं, जो एक अधिक जटिल, मॉड्युलेटेड चुंबकीय संरचना का संकेत देता है। प्रयोगात्मक डेटा पर, मॉडल ने 92 प्रतिशत से अधिक की सटीकता हासिल की, जिसने अधिकांश मामलों में चुंबकीय क्रम के प्रकार को सही ढंग से पहचाना। यह प्रदर्शन विभिन्न डेटासेट्स पर जटिल न्यूरल नेटवर्क का उपयोग करने के पिछले प्रयासों की तुलना में काफी बेहतर था। इस सरल दृष्टिकोण की सफलता यह सुझाव देती है कि किसी सामग्री की रासायनिक संरचना और बुनियादी संरचनात्मक गुण, पूर्ण और महंगी कंप्यूटर सिमुलेशन चलाने के बिना भी, उसके चुंबकीय व्यवहार की भविष्यवाणी करने के लिए पर्याप्त जानकारी रखते हैं।

अपने विश्वसनीय मॉडल से लैस होकर, शोधकर्ता ने अपना ध्यान वापस विशाल मटेरियल्स प्रोजेक्ट डेटाबेस की ओर लगाया। उन्होंने अपने प्रशिक्षित क्लासिफायर को 1,50,000 से अधिक सामग्रियों पर लागू किया, विशेष रूप से उन सामग्रियों की तलाश की जिन्हें फेरोमैग्नेटिक के रूप में लेबल किया गया था लेकिन जिन्हें मॉडल द्वारा गैर-शून्य प्रोपेगेशन वेक्टर वाला होने की भविष्यवाणी की गई थी। यह बेमेल (मिसमैच) एक रेड फ्लैग के रूप में कार्य करता था, जो संकेत देता था कि सामग्री को गलत लेबल किया गया हो सकता है। इस स्कैन ने बड़ी संख्या में उम्मीदवारों की पहचान की, और उच्च-विश्वास वाली गलत लेबल की गई सामग्रियों की अंतिम सूची में 6,800 से अधिक अद्वितीय यौगिक शामिल थे। यह सुनिश्चित करने के लिए कि उनके निष्कर्ष पुख्ता हैं, शोधकर्ता ने दो अलग-अलग प्रकार के मशीन लर्निंग एल्गोरिदम का उपयोग करके अपने परिणामों की क्रॉस-चेक की। उन्होंने केवल उन्हीं सामग्रियों को रखा जिन्हें दोनों एल्गोरिदम ने संभावित रूप से गलत लेबल किया हुआ पाया, जो गलत अलार्म (फॉल्स अलार्म) की संभावना को काफी कम करने की एक रणनीति थी।

जब शोधकर्ता ने इन चिह्नित सामग्रियों के एक यादृच्छिक चयन की जांच की, तो साक्ष्यों ने उनकी भविष्यवाणियों का समर्थन किया। उन्होंने पाया कि कई यौगिक, जिन्हें बड़े डेटाबेस ने फेरोमैग्नेटिक कहा था, वास्तव में प्रयोगों के अनुसार एंटीफेरोमैग्नेटिक या गैर-चुंबकीय थे। उदाहरण के लिए, आयरन क्लोराइड और मैंगनीज ऑक्साइड जैसी सामग्रियां, जिन्हें डेटाबेस में फेरोमैग्नेटिक के रूप में सूचीबद्ध किया गया था, प्रयोगों से ज्ञात था कि उनमें एंटीफेरोमैग्नेटिक व्यवस्था है। चिह्नित की गई कुछ सामग्रियों में कोई चुंबकीय आयन ही नहीं थे, जिसका अर्थ था कि उनका फेरोमैग्नेटिक लेबल पूरी तरह से कंप्यूटर सिमुलेशन के शुरुआती अनुमान का परिणाम था। शोधकर्ता ने अनुमान लगाया कि उनकी अंतिम सूची में गलत अलार्म की दर बहुत कम थी, संभवतः 5 प्रतिशत से भी कम, जो उन्हें इस बात का उच्च विश्वास देती है कि चिह्नित की गई अधिकांश सामग्रियां वास्तव में गलत लेबल की गई थीं।

यह कार्य केवल त्रुटियों की एक सूची को ठीक करने से कहीं अधिक है; यह बड़े पैमाने के वैज्ञानिक डेटाबेस की विश्वसनीयता में सुधार करने का एक नया तरीका प्रदर्शित करता है। मशीन लर्निंग को एक नैदानिक उपकरण (डायग्नोस्टिक टूल) के रूप में उपयोग करके, वैज्ञानिक अब लाखों प्रविष्टियों को व्यवस्थित रूप से स्कैन कर सकते हैं ताकि उन प्रविष्टियों को खोजा जा सके जो प्रयोगात्मक वास्तविकता के साथ असंगत हैं। यह विशेष रूप से महत्वपूर्ण है क्योंकि इन डेटाबेसों का उपयोग दुनिया भर के शोधकर्ताओं द्वारा ऊर्जा भंडारण, इलेक्ट्रॉनिक्स और अन्य प्रौद्योगिकियों के लिए नई सामग्रियां डिजाइन करने के लिए किया जाता है। यदि अंतर्निहित डेटा दोषपूर्ण है, तो उस पर आधारित डिजाइन विफल हो सकते हैं। यह अध्ययन दिखाता है कि भले ही कंप्यूटर सिमुलेशन शक्तिशाली हों, वे विशिष्ट ब्लाइंड स्पॉट्स के प्रति प्रवृत्त हो सकते हैं, जिन्हें प्रयोगात्मक सत्य पर प्रशिक्षित मशीन लर्निंग ठीक करने में मदद कर सकती है।

शोधकर्ता ने यह भी पता लगाया कि क्या उनके मॉडल में अधिक विस्तृत जानकारी जोड़ने से उसके प्रदर्शन में सुधार होगा। उन्होंने विशिष्ट रासायनिक गुणों को शामिल करने का परीक्षण किया, जैसे कि किसी यौगिक में तत्वों की औसत विद्युत ऋणात्मकता (electronegativity), जो यह मापता है कि परमाणु इलेक्ट्रॉनों को कितनी मजबूती से आकर्षित करते हैं। हालांकि इससे सटीकता में मामूली सुधार हुआ, लेकिन लाभ बहुत कम थे। यह सुझाव देता है कि उनके द्वारा उपयोग किए गए बुनियादी डिस्क्रिप्टर्स, जैसे कि तत्वों की सूची और सामग्री का घनत्व, पहले से ही अधिकांश आवश्यक जानकारी को कैप्चर कर लेते हैं जो एक अच्छा अनुमान लगाने के लिए आवश्यक है। अध्ययन का निष्कर्ष है कि भविष्य में सबसे महत्वपूर्ण सुधार संभवतः अधिक उन्नत मशीन लर्निंग आर्किटेक्चर के उपयोग से आएंगे जो केवल वैश्विक औसत के बजाय परमाणुओं की स्थानीय व्यवस्था को देख सकें।

अंततः, यह शोध आधुनिक पदार्थ विज्ञान (मटेरियल्स साइंस) में कंप्यूटेशन, प्रयोग और मशीन लर्निंग की पूरक भूमिकाओं को उजागर करता है। कंप्यूटर सिमुलेशन संभावनाओं का एक विशाल परिदृश्य प्रदान करते हैं, लेकिन वे अपनी शुरुआती धारणाओं से पक्षपाती हो सकते हैं। प्रयोग 'ग्राउंड ट्रुथ' (वास्तविक सत्य) प्रदान करते हैं, लेकिन उन्हें बड़े पैमाने पर करना धीमा और महंगा है। मशीन लर्निंग एक सेतु के रूप में कार्य करती है, सीमित प्रयोगात्मक सत्यों से सीखकर विशाल कम्प्यूटेशनल परिदृश्य के पूर्वाग्रहों को ठीक करती है। हजारों गलत लेबल की गई चुंबकीय सामग्रियों की पहचान करके और उन्हें ठीक करके, यह कार्य अधिक विश्वसनीय डेटाबेस के लिए मार्ग प्रशस्त करता है और भविष्य की प्रौद्योगिकियों के लिए आवश्यक विशिष्ट चुंबकीय गुणों वाली नई सामग्रियों की खोज को तेज करता है। ये निष्कर्ष एक अनुस्मारक के रूप में कार्य करते हैं कि बिग डेटा के युग में भी, सबसे शक्तिशाली अंतर्दृष्टि अक्सर वास्तविकता के विरुद्ध सावधानीपूर्वक जांच करने से आती है।