Generative AI for material design: A mechanics perspective from burgers to matter
यह शोध पत्र यह प्रदर्शित करके जनरेटिव एआई और कम्प्यूटेशनल मैकेनिक्स के बीच एक सैद्धांतिक और व्यावहारिक संबंध स्थापित करता है कि डिफ्यूजन-आधारित मॉडल जटिल सामग्रियों को प्रभावी ढंग से डिजाइन कर सकते हैं, जिसे एआई-जनरेटेड बर्गर के निर्माण के माध्यम से मान्य किया गया है जो संवेदी परीक्षण में बिग मैक (Big Mac) से बेहतर प्रदर्शन करते हैं।
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 शेफ हैं जो एक आदर्श बर्गर बनाने की कोशिश कर रहे हैं। आपके पास 146 अलग-अलग सामग्रियों (बन, पैटी, चीज़, सॉस, अचार, आदि) का एक भंडार है। इन सामग्रियों को मिलाने के तरीकों की संख्या इतनी विशाल है—लगभग 89 ट्रिलियन ट्रिलियन ट्रिलियन संयोजन—कि कोई भी इंसान उन्हें चख नहीं सकता। भले ही आपने बिग बैंग के समय से हर सेकंड एक नया बर्गर चखने की कोशिश की हो, फिर भी आप इसके करीब भी नहीं पहुँच पाएंगे।
यह हाई-डायमेंशनल डिज़ाइन (उच्च-आयामी डिज़ाइन) की समस्या है। यह केवल बर्गर के बारे में नहीं है; यह नई दवाओं, बैटरियों या सामग्रियों को डिजाइन करने के बारे में भी है। संभावनाओं का स्थान इतना बड़ा है कि इसे परीक्षण और त्रुटि (trial and error) के माध्यम से नहीं खोजा जा सकता।
यह शोध पत्र जेनरेटिव एआई (Generative AI), विशेष रूप से डिफ्यूजन मॉडल (Diffusion Models) नामक चीज़ का उपयोग करके एक चतुर समाधान पेश करता है। स्टैनफोर्ड के वाहिदुल्लाह टैक और एलेन कुहल बताते हैं कि यह एआई कोई जादू नहीं है; यह वास्तव में भौतिकी (physics) का ही एक रूप है। वे दिखाते हैं कि नए बर्गर डिजाइन करने के लिए उपयोग किया जाने वाला गणित वही है जिसका उपयोग यह बताने के लिए किया जाता है कि गर्मी कैसे फैलती है, स्याही पानी में कैसे फैलती है, या कण बेतरतीब ढंग से कैसे चलते हैं।
यहाँ उनकी खोज की कहानी है, जिसे सरल अवधारणाओं में विभाजित किया गया है:
1. "नॉइज़" (शोर) का खेल: तोड़ना और जोड़ना
यह समझने के लिए कि यह एआई कैसे काम करता है, कल्पना कीजिए कि आपके पास एक आदर्श, स्वादिष्ट चीज़बर्गर है।
फॉरवर्ड प्रोसेस (इसे तोड़ना): कल्पना कीजिए कि आप उस बर्गर को लेते हैं और उसमें बेतरतीब ढंग से सामग्रियाँ डालना शुरू कर देते हैं। कभी आप एक अचार डालते हैं, कभी चीज़ हटा देते हैं, तो कभी बन को ब्रेड के टुकड़े से बदल देते हैं। आप इसे बार-बार करते हैं।
- शुरुआत में, यह अभी भी एक बर्गर है।
- कुछ समय बाद, यह यादृच्छिक (random) सामग्रियों का एक ढेर बन जाता है।
- अंततः, आपके पास यादृच्छिक चीजों का एक ढेर होता है जहाँ हर सामग्री के होने या न होने की संभावना समान होती है। बर्गर की "संरचना" खत्म हो जाती है; यह केवल शुद्ध नॉइज़ (शोर) है।
- भौतिकी के संदर्भ में: यह डिफ्यूजन (विसरण) की तरह है। गर्मी तब तक फैलती है जब तक कि पूरा कमरा एक ही तापमान का न हो जाए। स्याही पानी में तब तक फैलती है जब तक कि पानी समान रूप से रंगीन न हो जाए। एआई डेटा के साथ यही करता है: यह एक संरचित रेसिपी को यादृच्छिक शोर में बदल देता है।
रिवर्स प्रोसेस (इसे वापस जोड़ना): अब, यहाँ असली जादू है। एआई इस प्रक्रिया को उल्टा (reverse) करना सीखता है। यह यादृच्छिक शोर के ढेर को देखता है और पूछता है, "यदि मैं थोड़ा सा शोर हटा दूँ, तो बर्गर कैसा दिखेगा?"
- यह सीखता है कि यदि इसे एक यादृच्छिक मिश्रण दिखता है, तो इसे शायद "पैटी" और "बन" की सामग्रियों को एक-दूसरे के करीब लाना चाहिए क्योंकि असली बर्गर ऐसे ही होते हैं।
- यह धीरे-धीरे यादृच्छिक ढेर को "डिनोइज़" (शोर कम) करता है, चरण-दर-चरण, जब तक कि एक नया, सुसंगत बर्गर उभर कर सामने नहीं आता।
- भौतिकी के संदर्भ में: यह अन-मिक्सिंग (un-mixing) की तरह है। यह एंट्रॉपी (entropy) का उल्टा है। यह पानी में स्याही के वापस सिमटने और एक बूंद में वापस इकट्ठा होने के दृश्य को देखने जैसा है। एआई उस "ड्रिफ्ट" या बल को सीखता है जो यादृच्छिक शोर को वापस एक संरचित आकार में खींचता है।
2. "बर्गर" सादृश्य: सरल से जटिल तक
लेखकों ने इस विचार का दो तरीकों से परीक्षण किया:
स्तर 1: सरल बर्गर (कक्षा का उदाहरण)
उन्होंने एक बहुत छोटी समस्या से शुरुआत की: केवल 3 सामग्रियों (बन, पैटी, चीज़) वाला एक बर्गर।
- डिस्क्रीट (हाँ/नहीं): क्या चीज़ मौजूद है? हाँ या नहीं? उन्होंने गणितीय रूप से दिखाया कि वे सटीक रूप से भविष्यवाणी कर सकते हैं कि एआई बर्गर को कैसे "तोड़ेगा" और उसे वापस कैसे "ठीक" करेगा। यह एक ऐसी पहेली को हल करने जैसा था जहाँ आप नियमों को पूरी तरह से जानते हैं।
- कंटीन्यूअस (कितना?): उन्होंने यह भी देखा कि प्रत्येक सामग्री की मात्रा कितनी है। क्या पैटी 45 ग्राम है या 90 ग्राम? उन्होंने एक भौतिकी समीकरण (जिसे ऑर्नस्टीन-उलेंबैक प्रक्रिया कहा जाता है) का उपयोग करके दिखाया कि कैसे एआई एक यादृच्छिक वजन को वापस एक वास्तविक वजन की ओर खींचना सीखता है।
स्तर 2: असली बर्गर (कठिन समस्या)
फिर, उन्होंने इसे वास्तविक दुनिया में बढ़ाया: 146 सामग्रियाँ और 2,260 वास्तविक रेसिपी (जैसे बिग मैक, व्हूपर, आदि)।
- संयोजनों की संख्या अब इतनी बड़ी है कि इसे एक साधारण सूत्र के साथ नहीं निकाला जा सकता। आप हर संभावित बर्गर के लिए "नियम" नहीं लिख सकते।
- समाधान: उन्होंने एक न्यूरल नेटवर्क (एक प्रकार का एआई मस्तिष्क) को 2,260 उदाहरणों को देखकर नियम सीखने के लिए प्रशिक्षित किया। एआई ने रेसिपी को रटा नहीं; उसने उस पैटर्न को सीखा जो एक बर्गर को बर्गर बनाता है।
- इसने सीखा कि यदि आपके पास बीफ पैटी है, तो आपको शायद एक बन की आवश्यकता होगी। यदि आपके पास बहुत अधिक चीज़ है, तो आपको शायद एक बड़े बन की आवश्यकता होगी। इसने डेटा के "आकार" को सीखा।
3. परिणाम: एआई शेफ बनाम मानव शेफ
टीम ने एआई को दस लाख नए बर्गर डिजाइन करने के लिए कहा। फिर, उन्होंने सबसे अच्छे दिखने वाले पाँच बर्गर चुने, उन्हें पकाया और उन्हें एक वास्तविक रेस्तरां में ले गए।
उन्होंने 100 लोगों से इन एआई-डिजाइन किए गए बर्गरों का एक क्लासिक बिग मैक के मुकाबले स्वाद परीक्षण करवाया।
- चौंकाने वाला तथ्य: तीन एआई-डिजाइन किए गए बर्गरों को स्वाद और समग्र पसंद में बिग मैक से बेहतर रेटिंग मिली। एक तो बनावट (texture) में भी बेहतर था।
- महत्व: एआई ने केवल बिग मैक की नकल नहीं की। इसने सामग्रियों के उस "अंधेरे कोनों" (dark corners) की खोज की जिसे इंसानों ने कभी आज़माने के बारे में नहीं सोचा था, एक ऐसा संयोजन ढूँढा जो काम करता था, और कुछ स्वादिष्ट बनाया।
4. यह "पदार्थ" (Matter) के लिए क्यों मायने रखता है
शोध पत्र का शीर्षक उल्लेख करता है "बर्गर से पदार्थ तक" (From Burgers to Matter)। क्यों?
- बर्गर सामग्रियों (बन, मांस, चीज़) से बने होते हैं।
- सामग्री/पदार्थ (जैसे एक नई सुपर-स्ट्रॉन्ग धातु या एक बेहतर बैटरी) तत्वों (लोहा, कार्बन, लिथियम) से बने होते हैं।
- गणित बिल्कुल समान है।
- सामग्रियाँ चुनना तत्वों को चुनने जैसा है।
- सामग्रियों को तौलना प्रत्येक परमाणु का कितना उपयोग करना है, यह तय करने जैसा है।
- "नॉइज़" (शोर) परमाणुओं की यादृच्छिक व्यवस्था है।
- "रिवर्स प्रोसेस" एक नई सामग्री को डिजाइन करना है जो स्थिर और मजबूत हो।
मुख्य निष्कर्ष
यह शोध पत्र सिद्ध करता है कि जेनरेटिव एआई केवल एक नया प्रकार का भौतिकी इंजन (physics engine) है।
लंबे समय तक, इंजीनियरों ने सोचा कि एआई केवल पैटर्न के आधार पर "अनुमान" लगा रहा है। यह शोध पत्र दिखाता है कि एआई वास्तव में इनवर्स प्रॉब्लम्स (inverse problems - उलटे प्रश्न) को हल कर रहा है।
- फॉरवर्ड फिजिक्स: "यदि मैं एक गेंद गिराता हूँ, तो वह कहाँ जाएगी?" (गणना करना आसान है)।
- इनवर्स फिजिक्स: "मैं ज़मीन पर एक गेंद देखता हूँ; यह यहाँ कैसे पहुँची?" (गणना करना कठिन है)।
एआई 'इनवर्स फिजिक्स' का उस्ताद है। यह अराजकता (शोर) को देखता है और उस व्यवस्था (संरचना) को समझता है जिसने इसे बनाया है। इसे समझकर, हम इन उपकरणों का उपयोग केवल बेहतर बर्गर डिजाइन करने के लिए ही नहीं, बल्कि बेहतर दवाएं, स्वच्छ ऊर्जा और मजबूत सामग्रियां डिजाइन करने के लिए कर सकते हैं, जिससे उन समस्याओं को हल किया जा सके जो अकेले मानव मस्तिष्क के लिए खोज पाना बहुत जटिल है।
संक्षेप में: एआई एक समय यात्रा करने वाले शेफ की तरह है जो एक बर्गर को यादृच्छिक धूल के ढेर में बदलते हुए देखता है, इस प्रक्रिया को उलटा करने का तरीका सीखता है, और उस ज्ञान का उपयोग करके एक बिल्कुल नया, पूर्ण बर्गर पकाने के लिए करता है जिसे पहले कभी चखा नहीं गया है।
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।