Multimodal Machine Learning for Integrating Heterogeneous Analytical Systems

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक विशिष्ट प्रकार का कपड़ा (इस मामले में, सूक्ष्म कार्बन ट्यूबों से बनी एक फिल्म) बिजली का संचालन कितनी अच्छी तरह करता है या उसका सतही क्षेत्रफल (surface area) कितना बड़ा है। पारंपरिक रूप से, वैज्ञानिक एक सूक्ष्मदर्शी (microscope) के माध्यम से इस कपड़े को देखेंगे, फिर लेजर के साथ इसकी रासायनिक संरचना की जांच करेंगे, फिर इसका वजन करेंगे, और अंत में यह परीक्षण करेंगे कि यह बिजली का संचालन कितनी अच्छी तरह करता है। वे इन सभी परीक्षणों को अलग-अलग देखेंगे, जैसे कि किसी कार को समझने के लिए पहले उसके इंजन को देखना, फिर टायरों को, फिर पेंट को, बिना यह देखे कि वे सब मिलकर कैसे काम करते हैं।

यह शोध पत्र एक स्मार्ट तरीका प्रस्तावित करता है: मल्टीमॉडल मशीन लर्निंग (Multimodal Machine Learning)। इसे एक "सुपर-इंटरव्यूअर" के रूप में सोचें जो कपड़े से एक साथ कई अलग-अलग परीक्षणों के माध्यम से सवाल पूछता है और सुनता है कि उनके जवाब एक-दूसरे से कैसे संबंधित हैं।

यहाँ शोधकर्ताओं द्वारा किए गए कार्यों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. सामग्री: कार्बन ट्यूबों का एक उलझा हुआ जाल

वैज्ञानिकों ने कार्बन नैनोट्यूब्स (CNTs) से बनी फिल्मों का अध्ययन किया। कल्पना कीजिए कि ये कार्बन से बनी अविश्वसनीय रूप से मजबूत, छोटी, खोखली स्ट्रॉ (straws) की तरह हैं। जब आप इनसे एक फिल्म बनाते हैं, तो वे स्पैगेटी के एक कटोरे या ऊन के एक उलझे हुए गोले की तरह आपस में उलझ जाते हैं। वे कितने उलझे हुए हैं, वे कितने सीधे हैं, और वे कितनी बार एक-दूसरे को काटते हैं, यही तय करता है कि फिल्म कैसा व्यवहार करेगी।

2. समस्या: एक उपकरण पर्याप्त नहीं है

शोधकर्ताओं ने नोट किया कि कोई भी एक उपकरण पूरी तस्वीर नहीं दिखा सकता:

• सूक्ष्मदर्शी (SEM) आपको आकार और ट्यूबों के उलझाव को दिखाते हैं, लेकिन वे ट्यूबों के रासायनिक स्वास्थ्य के बारे में नहीं बता सकते।
• लेजर (Raman) आपको बता सकते हैं कि ट्यूब कितने पूर्ण हैं या उनमें दरारें (दोष/defects) हैं, लेकिन वे उलझाव के 3D आकार को नहीं दिखा सकते।
• गैस परीक्षण यह मापते हैं कि कितना सतही क्षेत्रफल उपलब्ध है, लेकिन यह नहीं बताते कि वह ऐसा क्यों दिखता है।
• विद्युत परीक्षण बताते हैं कि बिजली का प्रवाह कितनी अच्छी तरह होता है, लेकिन इसके पीछे का भौतिक कारण नहीं बताते।

3. समाधान: एक "डिजिटल अनुवादक"

टीम ने एक कंप्यूटर सिस्टम बनाया है जो एक अनुवादक की तरह कार्य करता है, जो इन सभी अलग-अलग "डेटा की भाषाओं" को एक स्पष्ट कहानी में जोड़ देता है।

• चरण 1: तस्वीरों को नंबरों में बदलना। उन्होंने उलझी हुई ट्यूबों की तस्वीरें (SEM चित्र) लीं और एक कंप्यूटर का उपयोग करके उन्हें एक "कंकाल" (skeleton) मानचित्र में बदल दिया। यह स्पैगेटी के कटोरे में हर नूडल की मध्य रेखा को ट्रेस करने जैसा है ताकि यह गिना जा सके कि वे कितनी बार एक-दूसरे को काटते हैं, वे कितने घुमावदार हैं, और उनके बीच के खाली स्थान (voids) कितने बड़े हैं।
• चरण 2: सामग्रियों को मिलाना। उन्होंने इन "आकार के नंबरों" को "रासायनिक नंबरों" (लेजर से) और "सतह के नंबरों" (गैस परीक्षण से) के साथ मिलाया।
• चरण 3: "समूहीकरण" का खेल। उन्होंने एक विशेष विज़ुअलाइज़ेशन टूल (जिसे UMAP कहा जाता है) का उपयोग करके सभी अलग-अलग फिल्मों को एक मानचित्र पर अंकित किया। कंप्यूटर ने समान फिल्मों को स्वचालित रूप से एक साथ समूहबद्ध कर दिया। इसने पाया कि बहुत सीधी, पूर्ण ट्यूब वाली फिल्में एक क्लस्टर बनाती हैं, जबकि बहुत सारे छोटे छेदों वाली फिल्में दूसरा क्लस्टर बनाती हैं। यह बिना बताए रंग और पैटर्न के आधार पर मोजों के ढेर को छाँटने जैसा था।

4. बड़ी खोज: वास्तव में क्या मायने रखता है?

इस शोध पत्र का सबसे महत्वपूर्ण हिस्सा यह पता लगाना है कि ये फिल्में वास्तव में कैसे व्यवहार करती हैं। कंप्यूटर ने एक "जासूसी" पद्धति (जिसे फीचर इम्पॉर्टेंस कहा जाता है) का उपयोग किया ताकि यह देख सके कि कौन से सुराग सबसे अधिक महत्वपूर्ण थे।

• विद्युत प्रतिरोध (Electrical Resistance - बिजली के प्रवाह में कितनी कठिनाई होती है) के लिए:
  कंप्यूटर ने पाया कि बिजली केवल ट्यूबों की परवाह नहीं करती है। यह उन "गांठों" (knots) के बीच की दूरी की परवाह करती है जहाँ ट्यूब आपस में मिलते हैं। यदि ट्यूब इस तरह उलझे हुए हैं कि वे संपर्क बिंदुओं के बीच लंबे, घुमावदार रास्ते बनाते हैं, तो बिजली को गुजरने में संघर्ष करना पड़ता है। यह इस बात पर भी निर्भर करता है कि ट्यूब कितने "पूर्ण" हैं (दोष) और नेटवर्क कितना घना है।

  • उपमा: कल्पना कीजिए कि आप कार चला रहे हैं। भले ही आपकी कार तेज़ हो (उच्च गुणवत्ता वाली ट्यूब), यदि सड़कें लंबे चक्करों और ट्रैफिक जाम (गांठों के बीच लंबी दूरी) से भरी हैं, तो भी आप देरी से पहुँचेंगे (उच्च प्रतिरोध)।

• सतही क्षेत्रफल (Surface Area - सामग्री की कितनी "त्वचा" है) के लिए:
  कंप्यूटर ने पाया कि यह मुख्य रूप से इस बात पर निर्भर करता है कि ट्यूब कितनी बार एक-दूसरे को काटते हैं और नेटवर्क में छेद का आकार क्या है।

  • उपमा: एक स्पंज के बारे में सोचें। एक स्पंज जिसमें छोटे, जटिल छेद होते हैं, उसके अंदर बहुत बड़ा सतही क्षेत्रफल होता है, भले ही वह बाहर से छोटा दिखाई दे। जितना जटिल उलझाव होगा, उतनी ही अधिक "त्वचा" उजागर होगी।

5. परिणाम: एक बेहतर भविष्यवक्ता

शोधकर्ताओं ने यह परीक्षण करने के लिए विभिन्न कंप्यूटर मॉडल का परीक्षण किया कि कौन सा मॉडल इन गुणों की सबसे अच्छी भविष्यवाणी कर सकता है। उन्होंने पाया कि एक जटिल, नॉन-लीनियर मॉडल (XGBoost) सबसे अच्छा "भविष्यवक्ता" था। यह यह समझने में बेहतर था कि ट्यूब के उलझाव और बिजली के प्रवाह के बीच का संबंध एक साधारण सीधी रेखा नहीं है; यह एक जटिल, घुमावदार वक्र (curve) है।

सारांश

संक्षेप में, यह शोध पत्र दिखाता है कि कार्बन नैनोट्यूब फिल्मों जैसे जटिल पदार्थों को समझने के लिए, आप केवल एक चीज़ को नहीं देख सकते। आपको फोटो, रासायनिक स्कैन और भौतिक परीक्षणों को एक बड़े डेटा पहेली में जोड़ना होगा। एक स्मार्ट कंप्यूटर का उपयोग करके इस पहेली को हल करके, उन्होंने खोजा कि ट्यूब कैसे उलझे हुए हैं (नेटवर्क संरचना), यह उतना ही महत्वपूर्ण है जितना कि ट्यूब किस चीज़ से बने हैं। यह वैज्ञानिकों को एक नया, स्पष्ट तरीका देता है जिससे वे यह समझकर बेहतर सामग्री डिजाइन कर सकें कि "उलझाव" के किस हिस्से को ठीक करने की आवश्यकता है।