🔬 materials science

From Natural Language to Materials Discovery:The Materials Knowledge Navigation Agent

यह शोध पत्र मटेरियल्स नॉलेज नेविगेशन एजेंट (MKNA) को प्रस्तुत करता है, जो एक भाषा-संचालित प्रणाली है जो स्वाभाविक रूप से वैज्ञानिक इरादे को निष्पादन योग्य अनुसंधान कार्यों में अनुवादित करती है, जिससे यह साहित्य से डिज़ाइन ह्यूरिस्टिक्स निकालने और डेटा-आधारित परिकल्पना निर्माण के माध्यम से नवीन, स्थिर सामग्रियों की खोज करने में सक्षम होती है।

मूल लेखक: Genmao Zhuang, Amir Barati Farimani

प्रकाशित 2026-02-12

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Genmao Zhuang, Amir Barati Farimani

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 विश्व-स्तरीय शेफ हैं, लेकिन नमक और काली मिर्च के बजाय, आप एक अगली पीढ़ी की सुपर-मटेरियल बनाने के लिए परमाणुओं (atoms) के साथ "खाना पका" रहे हैं—कुछ ऐसा जो हीरे जितना मजबूत हो या स्पेस शटल टाइल जितना गर्मी-रोधी हो।

सामान्यतः, एक नई सामग्री खोजना चंद्रमा के आकार के घास के ढेर में सुई खोजने जैसा है। आपको हजारों पुरानी कुकबुक्स (वैज्ञानिक शोध पत्र) पढ़नी पड़ती है, अपने पेंट्री (डेटाबेस) को मैन्युअल रूप से चेक करना पड़ता है, और यह देखने के लिए महंगे और धीमे प्रयोग करने पड़ते हैं कि क्या आपकी रेसिपी वास्तव में काम करती है।

यह पेपर MKNA को पेश करता है, जो अनिवार्य रूप से एक "मास्टर शेफ एआई असिस्टेंट" है जो एक अस्पष्ट अनुरोध को लेकर उसे एक शानदार वैज्ञानिक खोज में बदल सकता है।

यह कैसे काम करता है, इसे तीन सरल चरणों में विभाजित किया गया है:

1. "स्मार्ट सूस-शेफ" (अस्पष्ट अनुरोध को समझना)

कल्पना कीजिए कि आप एक रसोई में जाते हैं और कहते हैं, "मैं कुछ बहुत ही कुरकुरा (crunchy) बनाना चाहता हूँ।"

एक सामान्य कंप्यूटर भ्रमित हो जाएगा। उसे नहीं पता कि "कुरकुरा" का नंबरों में क्या अर्थ है। लेकिन MKNA अलग है। यह लाइब्रेरी में जाता है, अब तक लिखी गई हर कुकबुक को पढ़ता है, और समझ जाता है कि, "आह, जब शेफ 'कुरकुरा' कहते हैं, तो उनका मतलब आमतौर पर 10 में से 8 का टेक्सचर स्कोर होता है।"

पेपर में, शोधकर्ताओं ने "उच्च डिबाई तापमान" (एक वैज्ञानिक तरीका यह कहने का कि "बहुत सख्त/कठोर सामग्री") के लिए पूछा था। MKNA ने केवल अनुमान नहीं लगाया; इसने वैज्ञानिक साहित्य को पढ़ा ताकि यह पता चल सके कि "उच्च" का वास्तव में एक विशिष्ट संख्यात्मक अर्थ है: 800 K से ऊपर। इसने एक अस्पष्ट शब्द को एक सटीक गणितीय लक्ष्य में बदल दिया।

2. "ऑटो-रेसिपी जनरेटर" (लापता सामग्रियों को खोजना)

कभी-कभी शेफ को एहसास होता है कि पेंट्री में एक प्रमुख सामग्री गायब है—जैसे कि कोई विशिष्ट मसाला जिसे लेबल नहीं किया गया है।

हार मानने के बजाय, MKNA किसी विकल्प को खोजने के लिए अपना खुद का कोड लिखने में सक्षम है। यदि डेटाबेस में "कठोरता" (stiffness) का मान सीधे उपलब्ध नहीं है, तो MKNA कहता है, "मैं यह खुद कैलकुलेट कर सकता हूँ कि ये परमाणु एक-दूसरे के विरुद्ध कितनी बार टकराते हैं।" यह अनिवार्य रूप से अपने पास मौजूद सभी डेटा सुनिश्चित करने के लिए चलते-फिरते अपने स्वयं के मापने वाले उपकरण बनाता है।

3. "डिजिटल टेस्ट किचन" (परीक्षण और त्रुटि)

अब खाना पकाने की बारी आती है। MKNA ज्ञात "रेसिपी" (मौजूदा सामग्रियां) लेता है और उनके साथ प्रयोग करना शुरू करता है। यह कह सकता है, "क्या होगा अगर मैं इस हीरे की रेसिपी लूँ लेकिन कार्बन का थोड़ा सा हिस्सा बेरिलियम (Beryllium) से बदल दूँ?"

यह भौतिकी के लिए एक 'फास्ट-फॉरवर्ड बटन' की तरह काम करने वाले AI मॉडल्स का उपयोग करके हजारों "डिजिटल टेस्टिंग" करता है। यह जाँचता है:

क्या इसका स्वाद अच्छा है? (क्या सामग्री पर्याप्त कठोर है?)
क्या यह स्थिर है? (क्या इसके बनते ही यह फट जाएगी या बिखर जाएगी?)

बड़ा परिणाम: एक नई खोज

ऐसा करके, MKNA ने केवल वे चीजें नहीं ढूँढीं जिन्हें हम पहले से जानते थे (जैसे हीरा)। इसने वास्तव में बिल्कुल नई सामग्रियों की रेसिपी "पकाई"—विशेष रूप से Be–C–रिच कंपाउंड्स—जो पहले कभी रिपोर्ट नहीं किए गए थे। ये नई सामग्रियां अविश्वसनीय रूप से सख्त और स्थिर हैं, जो प्रदर्शन के एक ऐसे "स्वीट स्पॉट" में स्थित हैं जिसे वैज्ञानिकों ने पूरी तरह से नहीं खोजा था।

मुख्य बात

MKNA से पहले, सामग्री विज्ञान मानव विशेषज्ञों द्वारा मैन्युअल रूप से बिंदुओं को जोड़ने की एक धीमी प्रक्रिया थी। MKNA एक वैज्ञानिक को GPS, एक व्यक्तिगत लाइब्रेरियन और एक हाई-स्पीड प्रयोगशाला देने जैसा है। यह इंसान के "सपने" (प्राकृतिक भाषा का प्रश्न) को एक "ब्लूप्रिंट" (एक प्रमाणित नई सामग्री) में बदल देता है।

तकनीकी सारांश: मैटेरियल्स नॉलेज नेविगेशन एजेंट (MKNA)

1. समस्या विवरण

उच्च-प्रदर्शन वाले पदार्थों (materials) की खोज वर्तमान में एक खंडित खोज पाइपलाइन (fragmented discovery pipeline) के कारण बाधित है। हालांकि उच्च-थ्रूपुट डेटाबेस (जैसे Materials Project) और मशीन-लर्निंग (ML) मॉडल (जैसे CGCNN, M3GNet) मौजूद हैं, वे अलग-थलग होकर कार्य करते हैं। पारंपरिक वर्कफ़्लो कई महत्वपूर्ण सीमाओं से ग्रस्त हैं:

सिमेंटिक तर्क (Semantic Reasoning) का अभाव: मौजूदा उपकरण अस्पष्ट प्राकृतिक-भाषा वैज्ञानिक इरादों (जैसे, "उच्च-तापमान वाले पदार्थ खोजें") को सटीक कम्प्यूटेशनल मापदंडों में अनुवादित नहीं कर सकते।
डेटा अपूर्णता: कई महत्वपूर्ण भौतिक गुण स्वाभाविक रूप से डेटाबेस में संग्रहीत नहीं होते हैं, जिसके लिए मैन्युअल व्युत्पत्ति (derivation) की आवश्यकता होती है।
मानवीय निर्भरता: वर्तमान स्वचालित वर्कफ़्लो को साहित्य-आधारित अंतर्ज्ञान और निष्पादन योग्य कोड के बीच के अंतर को पाटने के लिए महत्वपूर्ण विशेषज्ञ हस्तक्षेप की आवश्यकता होती है।
पृथक चरण: अधिकांश वर्तमान "एजेंट" एक एकल कार्य (या तो पुनर्प्राप्ति या भविष्यवाणी) पर ध्यान केंद्रित करते हैं, न कि एक क्लोज्ड-लूप खोज प्रक्रिया पर।

2. कार्यप्रणाली

लेखक मैटेरियल्स नॉलेज नेविगेशन एजेंट (MKNA) का प्रस्ताव करते हैं, जो एक स्वायत्त ढांचा है जो सिमेंटिक व्याख्या, ज्ञान पुनर्प्राप्ति, गुण अनुमान और संरचनात्मक सत्यापन को एकीकृत करता है। यह वर्कफ़्लो तीन विशिष्ट चरणों में विभाजित है:

चरण I: क्वेरी और नॉलेज ग्राउंडिंग ("मैप-रिड्यूस" दृष्टिकोण):
अस्पष्ट विवरणों को हल करने के लिए, MKNA एक मैप-रिड्यूस एक्सट्रैक्शन विधि का उपयोग करता है। यह वैज्ञानिक साहित्य (arXiv) को क्वेरी करता है, मैटेरियल-प्रॉपर्टी पेयर्स निकालता है, और उन्हें एक संरचित JSON प्रारूप में एकत्रित करता है। यह एजेंट को बिखरे हुए पाठ्य साक्ष्यों से मात्रात्मक थ्रेशोल्ड (जैसे, "उच्च" डेबाई तापमान को $\Theta_D > 800\text{ K}$ के रूप में परिभाषित करना) प्राप्त करने की अनुमति देता है।
चरण II: डेटा और मॉडल निर्माण (स्वायत्त कोड जनरेशन):
यदि कोई लक्षित गुण डेटाबेस में अनुपलब्ध है, तो MKNA विफल नहीं होता है; इसके बजाय, यह एक कस्टम पायथन कोड को संश्लेषित और मरम्मत (synthesize and repair) करने के लिए एक LLM (GPT-5-mini) का उपयोग करता है। उदाहरण के लिए, डेबाई तापमान खोजने के लिए, एजेंट इलास्टिक टेंसर और घनत्व को क्वेरी करने के लिए कोड उत्पन्न करता है, फिर इलास्टिक-मोडुली सन्निकटन का उपयोग करके $\Theta_D$ की गणना करता है। इस कोड को एक सैंडबॉक्स में निष्पादित किया जाता है और तब तक पुनरावृत्त रूप से डिबग किया जाता है जब तक कि यह भौतिक रूप से वैध परिणाम न दे दे। इन परिणामों का उपयोग तीव्र स्क्रीनिंग के लिए CGCNN (क्रिस्टल ग्राफ कनवल्शनल न्यूरल नेटवर्क) को प्रशिक्षित करने के लिए किया जाता है।
चरण III: मैटेरियल संशोधन और सत्यापन:
ज्ञात पदार्थों से आगे बढ़ने के लिए, एजेंट नियंत्रित प्रतिस्थापन और विक्षोभ (controlled substitution and perturbation) करता है। यह प्रोटोटाइप संरचनाओं को लेता है, रासायनिक समानता बनाए रखने के लिए समूह-वार तत्व प्रतिस्थापन लागू करता है, और परमाणु स्थितियों में गॉसियन शोर (Gaussian noise) जोड़ता है। इन उम्मीदवारों को पहले CGCNN प्रेडिक्टर द्वारा फ़िल्टर किया जाता है और फिर संरचनात्मक विश्राम (structural relaxation) और ऊष्मागतिक स्थिरता (हिल के ऊपर ऊर्जा की गणना) के लिए M3GNet का उपयोग करके कठोर भौतिक-आधारित सत्यापन से गुजरना पड़ता है।

3. प्रमुख योगदान

एकीकृत एजेंटिक फ्रेमवर्क: एक एकल प्रणाली जो प्राकृतिक भाषा को एंड-टू-एंड मैटेरियल्स अन्वेषण से जोड़ती है।
मैप-रिड्यूस लिटरेचर ग्राउंडिंग: असंरचित वैज्ञानिक पाठ को मशीन-एक्शन योग्य मात्रात्मक मानदंडों में बदलने की एक नवीन विधि, जो सटीकता और कवरेज दोनों में मानक RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) से बेहतर प्रदर्शन करती है।
सेल्फ-हीलिंग कोड जनरेशन: "लापता" गुणों को पुनर्प्राप्त करने के लिए व्युत्पत्ति प्रक्रियाओं को संश्लेषित और डिबग करने के लिए एक स्वायत्त तंत्र।
इमर्जेंट डिज़ाइन ह्यूरिस्टिक्स: डेटा-संचालित तर्क के माध्यम से रासायनिक रूपांकनों (जैसे Be–C ढांचे) को "खोजने" की क्षमता, जो पूर्व-प्रोग्रामित नियमों के बजाय काम करती है।

4. परिणाम (केस स्टडी: उच्च डेबाई तापमान वाले पदार्थ)

एजेंट को उच्च डेबाई तापमान ( $\Theta_D$ ) वाले पदार्थों को खोजने का कार्य दिया गया था।

थ्रेशोल्ड डिस्कवरी: MKNA ने साहित्य का विश्लेषण करके "अल्ट्रा-स्टिफ" सामग्रियों के लिए $\Theta_D > 800\text{ K}$ को सही ढंग से पहचाना।
ज्ञातों का सत्यापन: एजेंट ने डायमंड, SiC और BeO जैसे मानक सामग्रियों को सफलतापूर्वक पुनः खोजा।
नए उम्मीदवारों की खोज: MKNA ने कई पहले से अज्ञात, ऊष्मागतिक रूप से स्थिर Be–C-समृद्ध यौगिकों (जैसे, $\text{MgBe}_7\text{C}_4$ , $\text{MgBe}_{15}\text{C}_8$ ) की पहचान की जो अत्यधिक वांछनीय $1500\text{--}1700\text{ K}$ क्षेत्र में आते हैं।
एनरिचमेंट प्रभाव: जबकि सामान्य डेटाबेस $\Theta_D$ की एक विस्तृत श्रृंखला को कवर करता है, एजेंट के संशोधित स्थिर उम्मीदवार अल्ट्रा-हाई श्रेणी में काफी समृद्ध थे, जो इसकी खोज रणनीति की प्रभावशीलता को सिद्ध करते हैं।

5. महत्व

MKNA कार्य-विशिष्ट स्वचालन (task-specific automation) से स्वायत्त वैज्ञानिक तर्क (autonomous scientific reasoning) की ओर एक बदलाव का प्रतिनिधित्व करता है। साहित्य में पाए जाने वाले "अंतर्ज्ञान" को कम्प्यूटेशनल भौतिकी की "परिशुद्धता" के साथ एकीकृत करके, यह मैटेरियल्स डिस्कवरी के लिए एक स्केलेबल प्लेटफॉर्म प्रदान करता है। इस ढांचे में वैज्ञानिक परिकल्पना से एक सत्यापित मैटेरियल उम्मीदवार तक जाने के समय को कम करके एयरोस्पेस, इलेक्ट्रॉनिक्स और ऊर्जा के क्षेत्र में अगली पीढ़ी की प्रौद्योगिकियों के विकास को गति देने की क्षमता है।