Clever Materials: When Models Identify Good Materials for the Wrong Reasons
यह शोधपत्र प्रदर्शित करता है कि सामग्री खोज (मटेरियल्स डिस्कवरी) के लिए मशीन लर्निंग मॉडल अक्सर वास्तविक रासायनिक सिद्धांतों को सीखने के बजाय लेखक और प्रकाशन वर्ष जैसे ग्रंथसूची संबंधी भ्रमित करने वाले कारकों (बिब्लियोग्राफिक कन्फाउंडिंग फैक्टर्स) का लाभ उठाकर उच्च बेंचमार्क प्रदर्शन प्राप्त करते हैं, जो वास्तविक वैज्ञानिक समझ सुनिश्चित करने के लिए कठोर मिथ्याकरण परीक्षणों (फालसिफिकेशन टेस्ट्स) और डेटासेट पुनर्गठन की तत्काल आवश्यकता को रेखांकित करता 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
रसायन विज्ञान का "क्लेवर हंस" (Clever Hans): जब AI बारीक विवरण पढ़कर नकल करता है
कल्पना कीजिए कि आप गणित की एक परीक्षा दे रहे हैं। आपको वास्तव में समीकरणों को हल करना नहीं आता, लेकिन आप कुछ दिलचस्प देखते हैं: हर बार जब शिक्षक "कैलकुलस" के बारे में कोई प्रश्न पूछता है, तो उत्तर आमतौर पर "42" होता है। हर बार जब प्रश्न "अलजेब्रा" के बारे में होता है, तो उत्तर "7" होता है।
आप गणित नहीं सीखते। इसके बजाय, आप उत्तर का अनुमान लगाने के लिए फॉन्ट साइज (अक्षरों का आकार), शिक्षक का नाम, या प्रश्न लिखे जाने के समय को देखना सीख जाते हैं। आप एक परफेक्ट स्कोर प्राप्त करते हैं, लेकिन आपने गणित के बारे में एक भी चीज़ नहीं सीखी।
केविन मैिक जैबलोंका (Kevin Maik Jablonka) के एक नए अध्ययन में बिल्कुल यही हुआ है, और यह विज्ञान की दुनिया में आर्टिफिशियल इंटेलिजेंस (AI) के लिए एक चेतावनी है।
"क्लेवर हंस" प्रभाव (The "Clever Hans" Effect)
यह शोध पत्र 1900 के दशक की शुरुआत के एक प्रसिद्ध घोड़े 'क्लेवर हंस' के नाम पर आधारित है। हंस गणित के सवालों के जवाब देने के लिए अपने खुरों से थपथपा सकता था, और भीड़ इसे देखकर हैरान रह जाती थी। लेकिन बाद में पता चला कि हंस गणित नहीं कर रहा था। वह सवाल पूछने वाले के शारीरिक हाव-भाव (body language) को देख रहा था। जब सवाल पूछने वाला सही उत्तर की प्रत्याशा में आगे झुकता था, तो हंस थपथपाना बंद कर देता था। वह समस्याओं को हल नहीं कर रहा था, बल्कि संकेतों (cues) को पढ़ रहा था।
आज, हमारे AI मॉडल नए 'क्लेवर हंस' हैं। वे यह भविष्यवाणी करने में अविश्वसनीय रूप से कुशल हैं कि नई सामग्रियां (जैसे कि एक बैटरी कितनी मजबूत होगी या एक सोलर पैनल कितना कुशल होगा) कैसे व्यवहार करेंगी। लेकिन जैबलोंका एक डरावना सवाल पूछते हैं: क्या वे वास्तव में रसायन विज्ञान सीख रहे हैं, या वे केवल वैज्ञानिक शोध पत्रों में दिए गए "संकेतों" को पढ़ रहे हैं?
AI कैसे नकल कर रहा है
विज्ञान में, डेटा शोध पत्रों से आता है। इन शोध पत्रों में मेटाडेटा (metadata) होता है:
- किसने इसे लिखा (लेखक)।
- कहाँ इसे प्रकाशित किया गया (जर्नल)।
- कब इसे प्रकाशित किया गया (वर्ष)।
जैबलोंका ने पाया कि कई मामलों में, किसी सामग्री की रासायनिक संरचना इन मेटाडेटा संकेतों से इतनी मजबूती से जुड़ी होती है कि AI "नकल" कर सकता है।
यहाँ चाल (trick) दी गई है:
- सेटअप: वैज्ञानिक एक AI को एक गुण (जैसे, "क्या यह सोलर सेल कुशल होगा?") की भविष्यवाणी करने के लिए प्रशिक्षित करते हैं, जो रासायनिक सूत्र पर आधारित होता है।
- नकल (The Cheat): AI समझ जाता है कि "सोलर सेल X" लगभग हमेशा "प्रोफेसर स्मिथ" द्वारा "जर्नल Y" में "2023" में लिखा गया था।
- शॉर्टकट: जटिल रसायन विज्ञान का विश्लेषण करने के बजाय, AI बस यह सीख जाता है: "यदि मैं प्रोफेसर स्मिथ का नाम देखता हूँ, तो उत्तर 'उच्च दक्षता' (High Efficiency) है।"
जैबलोंका ने इसे एक दो-चरणीय प्रणाली बनाकर परखा:
- चरण 1: एक AI रासायनिक सूत्र को देखता है और अनुमान लगाता है: "यह शायद प्रोफेसर स्मिथ द्वारा 2023 में लिखा गया था।" (यह इसे आश्चर्यजनक सटीकता के साथ करता है)।
- चरण 2: दूसरा AI रसायन विज्ञान को पूरी तरह से अनदेखा कर देता है। यह केवल अनुमानित लेखक और वर्ष को देखता है ताकि सामग्री के प्रदर्शन की भविष्यवाणी की जा सके।
चौंकाने वाला परिणाम: कुछ मामलों में (जैसे पेरोव्स्काइट सोलर सेल्स और मेटल-ऑर्गेनिक फ्रेमवर्क्स में), दूसरा AI (जो नकल कर रहा है) पहले AI (जो सीख रहा है) के समान ही अच्छा प्रदर्शन करता है। इसका मतलब है कि मूल मॉडल ने वास्तव में रसायन विज्ञान नहीं सीखा था; उसने केवल रिसर्च ग्रुप या प्रकाशन की तारीख को पहचानना सीख लिया था।
पाँच परीक्षण (The Five Tests)
जैबलोंका ने पांच अलग-अलग प्रकार की सामग्रियों पर यह "चीट टेस्ट" चलाया:
- MOF थर्मल स्टेबिलिटी (गर्मी प्रतिरोध): उच्च नकल का जोखिम (High Cheat Risk)। AI लेखक और जर्नल का अनुमान इतनी अच्छी तरह से लगा सकता था कि वह वास्तविक रसायन विज्ञान मॉडल की तरह ही गर्मी प्रतिरोध की भविष्यवाणी कर सकता था।
- MOF सॉल्वेंट स्टेबिलिटी (तरल प्रतिरोध): मध्यम नकल का जोखिम (Medium Cheat Risk)। AI "कौन और कहाँ" का उपयोग करके एक ठीक-ठाक अनुमान लगा सकता था।
- पेरोव्स्काइट सोलर सेल्स (ऊर्जा दक्षता): उच्च नकल का जोखिम (High Cheat Risk)। AI लेखक और जर्नल का अनुमान लगाने में लगभग सटीक था, और उस जानकारी का उपयोग करके दक्षता की भविष्यवाणी करना वास्तविक रसायन विज्ञान जितना ही प्रभावी था।
- TADF उत्सर्जक (प्रकाश का रंग): कम नकल का जोखिम (Low Cheat Risk)। AI मेटाडेटा का अनुमान तो लगा सकता था, लेकिन वह उस जानकारी का उपयोग प्रकाश के रंग की भविष्यवाणी करने के लिए बहुत अच्छी तरह से नहीं कर सका।
- बैटरी क्षमता (Battery Capacity): कोई नकल का जोखिम नहीं (No Cheat Risk)। यहाँ, "नकल करने वाला" AI पूरी तरह विफल रहा। वह बैटरी पावर की भविष्यवाणी करने के लिए लेखक या वर्ष का अनुमान भी ठीक से नहीं लगा सका। यह अच्छी खबर है! यह साबित करता है कि सारा डेटा दूषित नहीं है, बल्कि यह विशिष्ट क्षेत्र पर निर्भर करता है।
ऐसा क्यों होता है?
कोई डेटासेट इन "संकेतों" से भरा क्यों होगा?
- विशेषज्ञता (Specialization): कुछ लैब सबसे अच्छे सोलर सेल बनाने के लिए प्रसिद्ध हैं। यदि आप उस लैब का पेपर देखते हैं, तो आप जानते हैं कि सामग्री संभवतः अच्छी होगी। AI इस जुड़ाव को सीख लेता है।
- रुझान (Trends): विज्ञान लहरों में चलता है। दस साल पहले, हर कोई मटेरियल A का अध्ययन कर रहा था। अब, हर कोई मटेरियल B का अध्ययन कर रहा है। यदि AI किसी 2015 के पेपर को देखता है, तो वह जानता है कि सामग्री संभवतः "पुरानी तकनीक" है, चाहे रसायन विज्ञान कुछ भी हो।
- प्रकाशन पूर्वाग्रह (Publication Bias): शीर्ष जर्नल केवल "सफल" प्रयोगों को प्रकाशित करते हैं। यदि कोई पेपर Nature में है, तो सामग्री संभवतः अच्छी है। AI जर्नल के नाम पर रासायनिक सूत्र से अधिक भरोसा करना सीख जाता है।
समाधान: "असत्यता परीक्षण" (Falsification)
शोध पत्र का तर्क है कि वैज्ञानिक इस बात पर बहुत अधिक ध्यान केंद्रित करते हैं कि AI कितना अच्छा प्रदर्शन करता है (सटीकता), और इस पर पर्याप्त ध्यान नहीं देते कि वह क्यों प्रदर्शन करता है।
इसे ठीक करने के लिए, हमें AI को एक जादू के डिब्बे के बजाय एक जासूस की तरह मानना होगा। इससे पहले कि हम किसी नई दवा या बैटरी को डिजाइन करने के लिए AI पर भरोसा करें, हमें "असत्यता परीक्षण" (falsification tests) चलाने चाहिए:
- "ब्लाइंड" टेस्ट: क्या AI अभी भी काम कर सकता है यदि हम लेखक के नाम और प्रकाशन के वर्ष को छिपा दें?
- "समय" टेस्ट: क्या AI केवल 2010 के डेटा का उपयोग करके 2025 की सामग्रियों की भविष्यवाणी कर सकता है? (यदि यह विफल हो जाता है, तो यह केवल रुझानों को याद कर रहा था, नियमों को नहीं सीख रहा था)।
- "ग्रुप" टेस्ट: क्या AI ऐसी लैब की सामग्रियों की भविष्यवाणी कर सकता है जिसे उसने पहले कभी नहीं देखा है?
निष्कर्ष (The Takeaway)
यह विज्ञान में AI का उपयोग करने से रुकने का कारण नहीं है। यह इसे अधिक समझदारी से उपयोग करने का कारण है।
इसे एक ऐसे छात्र की तरह समझें जिसे परीक्षा में A+ मिला है। पहले हम मानते थे कि उसने कड़ी मेहनत की है। अब, हमें पूछना होगा: "क्या उसने पढ़ाई की, या उसने केवल उत्तर कुंजी (answer key) रट ली?"
यदि हम जाँच नहीं करते हैं, तो हम "क्लेवर हंस" सामग्रियों का भविष्य बना सकते—ऐसे मॉडल जो लैब में तो शानदार दिखते हैं लेकिन वास्तविक दुनिया में बुरी तरह विफल हो जाते हैं क्योंकि वे केवल गलत संकेतों के आधार पर अनुमान लगा रहे थे। लक्ष्य ऐसे AI का निर्माण करना है जो वास्तव में रसायन विज्ञान की भाषा को समझे, न कि केवल बिब्लियोग्राफी (संदर्भ सूची) की भाषा को।
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।