🔬 materials science

Composition-Weighted Symbolic Regression for General-Purpose Property Prediction

यह शोधपत्र एक संरचना-भारित प्रतीकात्मक प्रतिगमन (composition-weighted symbolic regression) ढांचे को प्रस्तुत करता है जो रासायनिक संरचना से विविध सामग्रियों के गुणों की भविष्यवाणी करने के लिए व्याख्यात्मक, विश्लेषणात्मक व्यंजक उत्पन्न करने हेतु हाइब्रिड खोज एल्गोरिदम को मैक्स/मिन ऑपरेटरों के साथ जोड़ता है, जिससे ब्लैक-बॉक्स मॉडल के विरुद्ध प्रतिस्पर्धी सटीकता प्राप्त होती है और साथ ही रासायनिक रूप से सार्थक मौलिक रुझानों का अनावरण होता है।

मूल लेखक: Yang Huang, Jingrun Chen

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yang Huang, Jingrun Chen

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 बेहतरीन केक की सटीक रेसिपी खोजने की कोशिश कर रहे हैं। आमतौर पर, वैज्ञानिक यह अनुमान लगाने के लिए कि कोई सामग्री कैसे व्यवहार करेगी (जैसे कि क्या वह बिजली का संचालन करती है या कितनी कठोर है), दो मुख्य दृष्टिकोणों का उपयोग करते हैं:

"ब्लूप्रिंट" दृष्टिकोण: वे परमाणुओं की विस्तृत 3D संरचना (ब्लूप्रिंट) को देखते हैं। यह बहुत सटीक है लेकिन इसके लिए ब्लूप्रिंट जानना आवश्यक है, जो अक्सर गायब होता है या उसे बनाना बहुत महंगा होता है।
"ब्लैक बॉक्स" दृष्टिकोण: वे केवल सामग्रियों की सूची (रासायनिक सूत्र) को देखते हैं और उसे एक विशाल, जटिल कंप्यूटर मस्तिष्क (न्यूरल नेटवर्क) में डाल देते हैं। यह मस्तिष्क सही उत्तर तो देता है, लेकिन किसी को नहीं पता कि वह वहां तक कैसे पहुँचा। यह ऐसा है जैसे शेफ कहे, "इसका स्वाद अच्छा है," लेकिन वह आपको रेसिपी बताने से मना कर दे।

यह शोध पत्र कंपोजिशन-वेटेड सिम्बोलिक रिग्रेशन (Composition-Weighted Symbolic Regression) नामक एक नई विधि पेश करता है। इसे एक स्मार्ट, पारदर्शी रेसिपी फाइंडर के रूप में सोचें जो केवल सामग्रियों की सूची को देखता है लेकिन फिर भी सामग्री के गुणों के लिए वास्तविक गणितीय रेसिपी लिखने में सक्षम है।

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

1. "वेटेड इंग्रीडिएंट" (भारित सामग्री) का विचार

केवल सामग्रियों को सूचीबद्ध करने के बजाय, यह विधि प्रत्येक तत्व (जैसे कार्बन, लोहा, या ऑक्सीजन) को एक "स्कोर" या "वेट" (भार) देती है।

उपमा: कल्पना कीजिए कि आप सूप बना रहे हैं। रेसिपी केवल "गाजर डालें" नहीं है। यह है "2 भाग गाजर, 0.5 भाग नमक, और -1 भाग चीनी डालें (क्योंकि आप इसे मीठा नहीं करना चाहते)"।
कंप्यूटर स्वचालित रूप से हर तत्व के लिए ये विशिष्ट भार सीखता है। वह यह पता लगाता है कि एक "कठोर" सामग्री के लिए, लोहे को उच्च सकारात्मक स्कोर मिल सकता है, जबकि एक "नरम" सामग्री के लिए इसे नकारात्मक स्कोर मिल सकता है।

2. "गणितीय रेसिपी" (सिम्बोलिक रिग्रेशन)

एक बार जब कंप्यूटर के पास सामग्री के भार आ जाते हैं, तो वह केवल अनुमान नहीं लगाता। वह वास्तव में उस गणितीय सूत्र की खोज करता है जो उन भारों को अंतिम परिणाम से जोड़ता है।

उपमा: "परिणाम: 5" कहने वाले ब्लैक बॉक्स के बजाय, यह लिखता है: परिणाम = (लोहे का भार × 2) + (कार्बन का भार ÷ 3)।
इसे "सिम्बोलिक रिग्रेशन" कहा जाता है। यह समीकरण को स्वयं खोजता है, जिससे भविष्यवाणी व्याख्या योग्य (interpretable) हो जाती है। आप सूत्र को पढ़ सकते हैं और तर्क को समझ सकते हैं।

3. "सुरक्षा गार्ड" (Max/Min ऑपरेटर्स)

सामग्रियों के अपने भौतिक नियम होते हैं। उदाहरण के लिए, एक "बैंड गैप" (यह मापने का तरीका कि कोई सामग्री बिजली को कितनी अच्छी तरह रोकती है) कभी भी ऋणात्मक नहीं हो सकता। एक संभावना (जैसे "धातु होने की संभावना") 0 और 1 के बीच होनी चाहिए।

उपमा: कल्पना कीजिए कि एक थर्मोस्टेट है जिसमें एक हार्ड स्टॉप है ताकि वह जमने के तापमान से नीचे न जा सके, या एक स्पीडोमीटर जो नकारात्मक गति नहीं दिखा सकता।
यह विधि Max और Min फंक्शन का उपयोग करके गणित में सीधे उन "सुरक्षा गार्डों" को शामिल करती है। यदि गणित एक ऋणात्मक बैंड गैप की गणना करने की कोशिश करता है, तो "Max" फंक्शन एक फर्श (floor) की तरह कार्य करता है, जो कहता है, "नहीं, यह न्यूनतम शून्य हो सकता है।" यह सुनिश्चित करता है कि परिणाम हमेशा भौतिक रूप से सही हों।

4. "सर्च टीम" (हाइब्रिड एल्गोरिदम)

परफेक्ट रेसिपी और परफेक्ट वेट्स खोजना घास के ढेर में सुई खोजने जैसा है। लेखकों ने दो खोजकर्ताओं की एक चतुर टीम का उपयोग किया है:

एक्सप्लोरर (मोंटे कार्लो ट्री सर्च): यह हिस्सा अलग-अलग रास्तों की खोज करता है, जैसे एक हाइकर सबसे अच्छे दृश्य को खोजने के लिए जंगल में अलग-अलग रास्तों की तलाश करता है।
रिफाइनर (जेनेटिक प्रोग्रामिंग): यह हिस्सा एक ब्रीडिंग प्रोग्राम की तरह कार्य करता है। यह अब तक मिले सबसे अच्छे "रेसिपी" को लेता है, उन्हें आपस में मिलाता है, और उन्हें और भी बेहतर बनाने के लिए उनमें थोड़ा बदलाव करता है।
कोच (ग्रेडिएंट-बेस्ड ऑप्टिमाइज़ेशन): एक बार जब एक आशाजनक रेसिपी मिल जाती है, तो एक कोच बारीकियों को ठीक करने के लिए आता है, जिससे संख्याओं (भार) को सटीक रूप से ट्यून किया जा सके, ताकि गणित जितना संभव हो सके उतना सटीक हो।

उन्होंने क्या पाया?

लेखकों ने सामग्री के एक मानक सेट (MatBench) पर इस विधि का परीक्षण किया।

सटीकता: इसने विशाल "ब्लैक बॉक्स" कंप्यूटर मस्तिष्क के लगभग बराबर प्रदर्शन किया, भले ही इसमें बहुत कम "पैरामीटर्स" (यह बहुत सरल है) का उपयोग किया गया था।
सुचारूता (Smoothness): जब वे सामग्रियों के नए मिश्रणों (जैसे दो सेमीकंडक्टर्स को मिलाना) के गुणों की भविष्यवाणी करते हैं, तो "ब्लैक बॉक्स" मॉडल कभी-कभी अजीब तरह से उछल सकते हैं या अनियमित, अवास्तविक परिणाम दे सकते हैं। यह नया तरीका एक सुचारू, निरंतर वक्र (smooth, continuous curve) बनाता है, जो एक ग्राफ पर खींची गई रेखा की तरह है, जो वास्तव में सामग्रियों के व्यवहार के लिए अधिक यथार्थवादी है।
रासायनिक समझ: जब उन्होंने उन "भारों" को देखा जिन्हें कंप्यूटर ने सीखा था, तो वे वास्तविक रसायन विज्ञान से मेल खाते थे। उदाहरण के लिए, जो तत्व रासायनिक रूप से समान हैं (जैसे आवर्त सारणी के एक ही कॉलम में), उन्हें समान स्कोर मिले। कंप्यूटर ने बिना बताए ही रासायनिक पैटर्न को खुद ही "पुनः खोज" लिया।

कमी (सीमाएं)

लेखक अपनी कमियों के बारे में ईमानदार हैं:

जटिलता: कभी-कभी, जो "रेसिपी" कंप्यूटर द्वारा खोजी जाती है, वह अभी भी बहुत जटिल और मानव के पढ़ने के लिए कठिन हो सकती है, भले ही वह गणितीय रूप से स्पष्ट हो।
पूर्णता नहीं: खोज विधि बहुत अच्छी है लेकिन यह गारंटी नहीं देती कि उसने हर बार सबसे अच्छा संभव उत्तर खोज लिया है।
डेटा की भूख: यदि आपके पास पर्याप्त डेटा नहीं है, तो कंप्यूटर बहुत अधिक रचनात्मक हो सकता है और एक जटिल रेसिपी बना सकता है जो डेटा के अनुकूल तो है लेकिन वास्तविकता को नहीं दर्शाती (ओवरफिटिंग)।

सारांश

संक्षेप में, यह शोध पत्र एक ऐसे उपकरण को प्रस्तुत करता है जो एक डिटेक्टिव केमिस्ट की तरह कार्य करता है। यह सामग्री के व्यवहार को नियंत्रित करने वाले छिपे हुए गणितीय नियमों को समझने के लिए सामग्री की सूची को देखता है, और एक स्पष्ट, तार्किक सूत्र लिखता है। यह उच्च सटीकता वाले जटिल AI और पारंपरिक विज्ञान की स्पष्ट समझ के बीच के अंतर को पाटता है।

तकनीकी सारांश: सामान्य-उद्देश्यीय गुण भविष्यवाणी के लिए संरचना-भारित प्रतीकात्मक प्रतिगमन (Composition-Weighted Symbolic Regression)

समस्या विवरण
सामग्री गुण भविष्यवाणी (materials property prediction) के लिए वर्तमान मशीन लर्निंग दृष्टिकोण आम तौर पर संरचना-आधारित और संरचना-आधारित विधियों में वर्गीकृत हैं। जबकि संरचना-आधारित मॉडल (जैसे, Equiformer, TACE) परमाणु विन्यासों का लाभ उठाकर उच्च सटीकता प्राप्त करते हैं, वे संरचनात्मक डेटा की बार-बार अनुपलब्धता, अनिश्चितता या उच्च कम्प्यूटेशनल लागत द्वारा सीमित हैं। संरचना-आधारित विधियाँ एक समाधान प्रदान करती हैं क्योंकि वे सीधे रासायनिक सूत्रों से गुणों की भविष्यवाणी करती हैं, जिससे तीव्र स्क्रीनिंग संभव होती है। हालाँकि, अधिकांश मौजूदा संरचना-आधारित मॉडल न्यूरल नेटवर्क या ब्लैक-बॉक्स आर्किटेक्चर पर निर्भर करते हैं जिनमें भौतिक व्याख्यात्मकता (physical interpretability) का अभाव होता है। यह कार्य उस केंद्रीय चुनौती को संबोधित करता है कि कैसे पूर्व-निर्धारित डिस्क्रिप्टर्स या पूर्व भौतिक धारणाओं पर निर्भर किए बिना, प्रतिस्पर्धी भविष्य कहनेवाला सटीकता बनाए रखते हुए पारदर्शी, रासायनिक रूप से सार्थक विश्लेかしい संबंधों को पुनः प्राप्त किया जाए।

कार्यप्रणाली (Methodology)
लेखक एक संरचना-भारित प्रतीकात्मक प्रतिगमन ढांचा (composition-weighted symbolic regression framework) प्रस्तावित करते हैं जो विश्लेかしい कार्यात्मक रूपों और कार्य-निर्भर तात्विक भार (elemental weightings) को संयुक्त रूप से सीखता है। मुख्य सूत्र $P$ को इस प्रकार व्यक्त करता है:
$P = F(x; \theta), \quad x_k = \sum_i w_{k,i} c_i$
जहाँ $c_i$ तात्विक संरचना अंश (elemental composition fraction) को दर्शाता है, $w_{k,i}$ सीखे जाने योग्य तात्विक भार हैं, और $F$ एक विश्लेかしい फलन है जिसे प्रतीकात्मक प्रतिगमन के माध्यम से पहचाना गया है। चर $x$ गुप्त तात्विक गुणों के संरचना-भारित औसत का प्रतिनिधित्व करते हैं।

मुख्य कार्यप्रणाली घटक शामिल हैं:

विस्तारित ऑपरेटर सेट: खोज स्थान में मानक निरंतर ऑपरेटरों (exp, log, गुणा, जोड़) के साथ-साथ गैर-स्मूथ ऑपरेटर, विशेष रूप से max और min शामिल हैं। यह समावेशन मॉडल को स्वाभाविक रूप से भौतिक बाधाओं को लागू करने की अनुमति देता है, जैसे कि गैर-ऋणात्मक बैंड गैप या सीमित वर्गीकरण संभाव्यता $[0, 1]$ , जो एकल प्रतीकात्मक औपचारिकता के भीतर प्रतिगमन (regression) और वर्गीकरण (classification) कार्यों को एकीकृत करता है।
हाइब्रिड ऑप्टिमाइज़ेशन एल्गोरिदम: विस्तृत खोज स्थान (जिसमें दोनों प्रतीकात्मक संरचनाएं और उच्च-आयामी तात्विक भार शामिल हैं) में नेविगेट करने के लिए, लेखक एक हाइब्रिड मोंटे कार्लो ट्री सर्च (MCTS) और जेनेटिक प्रोग्रामिंग (GP) ढांचे का उपयोग करते हैं।
- MCTS-GP एकीकरण: यह विधि MCTS के निर्देशित अन्वेषण को GP की "स्टेज-जंपिंग" क्षमताओं के साथ जोड़ती है। कई नोड्स पर उम्मीदवार कतारों (candidate queues) को संग्रहीत करने वाले पिछले कार्यान्वयन के विपरीत, यह दृष्टिकोण वैश्विक अभिव्यक्ति कतार को केवल रूट नोड पर रखता है, और मेमोरी ओवरहेड को कम करने के लिए इस साझा जनसंख्या पर सभी जेनेटिक ऑपरेशंस (उत्परिवर्तन, क्रॉसओवर) करता है।
- ग्रेडिएंट-आधारित परिशोधन (Refinement): निरंतर पैरामीटर अनुकूलन (तात्विक भार $w$ और प्रतीकात्मक गुणांक $\theta$ ) के लिए, ढांचा लिमिटेड-मेमोरी ब्रोडेन-फletcher-गोल्डफ़ैब-शैनन (L-BFGS) एल्गोरिदम का उपयोग करता है। max/min ऑपरेटरों द्वारा उत्पन्न गैर-स्मूथनेस से निपटने के लिए एक मल्टी-स्टार्ट रणनीति का उपयोग किया जाता है, जो स्थानीय मिनिमा के विरुद्ध मजबूती सुनिश्चित करता है।
- समानांतरता (Parallelism): अभिव्यक्ति निर्माण और पैरामीटर अनुकूलन के लिए बैच प्रोसेसिंग के साथ दक्षता में सुधार के लिए दोनों GP और MCTS चरणों को समानांतर बनाया गया है।

प्रमुख परिणाम
ढांचे का मूल्यांकन तीन प्रतिनिधि MatBench कार्यों पर किया गया: बैंड गैप भविष्यवाणी (प्रतिगमन), धात्विकता (metallicity) वर्गीकरण, और ग्लास फॉर्मेशन वर्गीकरण।

बेंचमार्क प्रदर्शन: मॉडल ने स्टेट-ऑफ-द-आर्ट ब्लैक-बॉक्स मॉडल (CrabNet, MODNet, और Darwin एवं GPTChem जैसे बड़े भाषा मॉडल सहित) के सापेक्ष प्रतिस्पर्धी सटीकता प्राप्त की, जबकि काफी कम प्रशिक्षण योग्य मापदंडों (लगभग $10^2$ $1 0^{2}$ बनाम न्यूरल नेटवर्क के लिए $10^6$ $1 0^{6}$ से $10^9$ $1 0^{9}$ ) का उपयोग किया।
- बैंड गैप: 0.471 का माध्य पूर्ण त्रुटि (MAE), जो 7B-पैरामीटर वाले Darwin मॉडल के 0.287 और CrabNet के 0.331 की तुलना में है।
- धात्विकता: 0.873 का ROC-AUC, जो MODNet (0.916) के तुलनीय है।
- ग्लास फॉर्मेशन: 0.816 का ROC-AUC, जो MODNet (0.960) और RF-SCM (0.859) के तुलनीय है।
व्याख्यात्मकता और आवधिक रुझान (Periodic Trends): मॉडल ने सफलतापूर्वक स्पष्ट विश्लेかしい अभिव्यक्तियों (जैसे, $F_{gap} = x_1 \exp[-\exp(\max(x_2, \min(x_0, x_1)))]$ ) को पुनः प्राप्त किया। सीखे गए तात्विक भारों ने रासायनिक रूप से सार्थक आवधिक रुझान प्रदर्शित किए। उदाहरण के लिए, हैलोजन ने इंसुलेटिंग वातावरण को स्थिर करने में उनकी भूमिका के अनुरूप एक विशिष्ट भार पैटर्न दिखाया, जबकि संक्रमण धातुओं (transition metals) ने धात्विक बंधन से जुड़े पैटर्न दिखाए।
III–V सेमीकंडक्टर अलॉय: III–V तृतीयक (ternary) अलॉय के लिए बैंड गैप की भविष्यवाणी करने के लिए लागू होने पर, प्रतीकात्मक मॉडल ने सुचारू, निरंतर संरचना-निर्भर रुझान उत्पन्न किए। इसके विपरीत, न्यूरल नेटवर्क-आधारित मॉडल (Darwin, CrabNet, MODNet) विरल प्रशिक्षण डेटा वाले क्षेत्रों में विच्छेदन या उतार-चढ़ाव प्रदर्शित करते हैं। प्रतीकात्मक दृष्टिकोण भौतिक रूप से सुसंगत इंटरपोलेशन प्रदान करता है, जो AlAs से InSb तक बैंड गैप की कमी जैसे वैश्विक रुझानों को सही ढंग से पुनरुत्पादित करता है।

महत्व और दावे
यह शोध पत्र सामग्रियों की खोज और गुण स्क्रीनिंग के लिए एक स्केलेबल और व्याख्यात्मक मार्ग प्रदान करने का दावा करता है। इसका प्राथमिक महत्व है:

प्रतिगमन और वर्गीकरण का एकीकरण: max/min ऑपरेटरों को शामिल करके, ढांचा बाउंडेड आउटपुट और भौतिक बाधाओं (जैसे, गैर-ऋणात्मकता) को सीधे सीखे गए व्यंजक के भीतर संभालता है, जिससे कार्य-विशिष्ट आउटपुट परतों की आवश्यकता समाप्त हो जाती है।
डेटा-संचालित कार्यात्मक खोज: विधि हाथ से बनाए गए डिस्क्रिप्टर्स के पूर्वाग्रह से बचते हुए, डेटा से सीधे कार्यात्मक रूप और तात्विक निरूपण दोनों को सीखती है।
भौतिक सुसंगतता: परिणामी क्लोज्ड-फॉर्म व्यंजक निरंतर संरचना स्थानों में सुचारू व्यवहार सुनिश्चित करते हैं, जो डेटा-दुर्लभ शासन में इंटरपोलेशन और एक्सट्रपलेशन के लिए ब्लैक-बॉक्स मॉडल की तुलना में एक विशिष्ट लाभ प्रदान करते हैं।

सीमाएँ
लेखक कई सीमाओं को स्वीकार करते हैं:

व्याख्यात्मकता बनाम जटिलता: हालांकि अभिव्यक्तियाँ स्पष्ट हैं, अत्यधिक सटीक समाधान बीजगणितीय रूप से जटिल हो सकते हैं, जिसके लिए भौतिक अंतर्दृष्टि निकालने के लिए आगे के विश्लेषण की आवश्यकता होती है।
अनुकूलन सन्निकटन (Optimization Approximation): हाइब्रिड MCTS-GP रणनीति वैश्विक इष्टतमता (global optimality) की गारंटी नहीं देती है, और ग्रेडिएंट-आधारित चरण स्वाभाविक रूप से स्थानीय है।
ओवरफिटिंग: कम-डेटा शासन में, प्रतीकात्मक प्रतिगमन का लचीलापन अत्यधिक जटिल अभिव्यक्तियाँ बना सकता है जो अंतर्निहित भौतिक रुझानों के बजाय शोर (noise) को फिट करती हैं।
कार्यात्मक स्थान (Functional Space): वर्तमान ऑपरेटर सेट जटिल बहु-पैमाने (multiscale) या तीक्ष्ण विच्छेदन वाली घटनाओं, जैसे जटिल चरण-सीमा व्यवहारों के लिए अपर्याप्त हो सकता है।