Predicting Physical and Physical-Chemical Properties of Molecular-Based Materials Using Computational Neural Networks
यह शोध पत्र एक कम्प्यूटेशनल न्यूरल नेटवर्क योजना प्रस्तुत करता है जो कार्बनिक और बहुलकीय सामग्रियों के व्यापक ऊष्मागतिकी, भौतिक और भौतिक-रासायनिक गुणों की सटीक भविष्यवाणी करने के लिए आणविक संरचनाओं को संख्यात्मक वेक्टर्स में एनकोड करता है, जिससे सामग्रियों के डिजाइन के लिए एक "कम्प्यूटेशनल सिंथेसिस" दृष्टिकोण सक्षम होता 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
कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो एक नई रेसिपी बनाना चाहते हैं। आमतौर पर, आपको सामग्री का अनुमान लगाना पड़ता है, उन्हें मिलाना पड़ता है, व्यंजन को पकाना पड़ता है, उसका स्वाद लेना पड़ता है, और फिर एहसास होता है कि, "ओह, यह बहुत नमकीन है," या "इसमें मिठास कम है।" आपको इसे सही करने के लिए सैकड़ों बार इस प्रक्रिया को दोहराना पड़ता है। वैज्ञानिक पारंपरिक रूप से नए पदार्थों को इसी तरह डिजाइन करते हैं: वे एक रासायनिक संरचना का अनुमान लगाते हैं, उसे लैब में बनाते हैं, उसका परीक्षण करते हैं, और उम्मीद करते हैं कि वह काम करेगा।
यह पेपर एक "स्मार्ट किचन असिस्टेंट" पेश करता है जो यह भविष्यवाणी कर सकता है कि स्ट्रोव जलाने से पहले ही किसी व्यंजन का स्वाद कैसा होगा।
समस्या: परीक्षण करने के लिए बहुत सारी रेसिपी
पदार्थ विज्ञान (मटेरियल्स साइंस) की दुनिया में, लाखों संभावित रासायनिक "रेसिपी" (अणु) मौजूद हैं। उन्हें एक वास्तविक लैब में टेस्ट करना असंभव है क्योंकि इसमें बहुत अधिक समय और पैसा लगता है। वैज्ञानिक एक तरीका चाहते हैं जिससे वे सामग्रियों की एक सूची (रासायनिक संरचना) को देख सकें और तुरंत अंतिम परिणाम (क्वथनांक, घनत्व या मजबूती जैसे गुण) जान सकें।
समाधान: "डिजिटल टेस्ट टेस्टर" (न्यूरल नेटवर्क)
लेखकों ने, जो ओक रिज नेशनल लेबोरेटरी में कार्यरत हैं, कंप्यूटेशनल न्यूरल नेटवर्क्स (CNNs) का उपयोग करके एक कंप्यूटर प्रोग्राम विकसित किया है। इसे एक डिजिटल मस्तिष्क के रूप में सोचें जो उदाहरणों से सीखता है, ठीक वैसे ही जैसे एक बच्चा जानवरों को पहचानना सीखता है।
- इनपुट (सामग्री की सूची): कंप्यूटर रासायनिक चित्रों को नहीं समझते। इसलिए, लेखकों ने एक विशेष "अनुवादक" बनाया जो जटिल अणु आकारों को सरल संख्याओं में बदल देता है।
- हाइड्रोकार्बन (वसा और तेल) जैसे सरल अणुओं के लिए, उन्होंने कार्बन परमाणुओं के बीच की दूरी को गिना, जैसे कि जंगल में पेड़ों के बीच के कदमों को मापना।
- क्राउन ईथर्स (रिंग के आकार के रसायन) जैसे अधिक जटिल अणुओं के लिए, उन्होंने केवल रसायन के नाम को देखा और नाम में दी गई संख्याओं (जैसे "18-crown-6") को एक कोड में बदल दिया।
- ट्रेनिंग (अभ्यास सत्र): उन्होंने इस डिजिटल मस्तिष्क को हजारों ऐसे उदाहरण दिए जहाँ वे पहले से ही दोनों "सामग्री" (रासायनिक संरचना) और "स्वाद" (भौतिक गुण) को जानते थे। मस्तिष्क शुरू में गलतियाँ करता था, लेकिन इसने अपने उत्तरों को सही करने के लिए अपने आंतरिक कनेक्शनों को लगातार समायोजित किया (जैसे रेडियो को ट्यून करना)।
- प्रेडिक्शन (क्रिस्टल बॉल): प्रशिक्षित होने के बाद, कंप्यूटर एक नई रासायनिक संरचना को देख सकता था जिसे उसने पहले कभी नहीं देखा था और आश्चर्यजनक सटीकता के साथ उसके गुणों की भविष्यवाणी कर सकता था।
उन्होंने क्या भविष्यवाणी की?
टीम ने अपने "डिजिटल टेस्ट टेस्टर" का परीक्षण तीन अलग-अलग प्रकार के पदार्थों पर किया:
- हाइड्रोकार्बन (सरल श्रृंखलाएं): उन्होंने क्वथनांक (boiling point), घनत्व (density), और अपवर्तनांक (refractive index) जैसी चीजों की भविष्यवाणी की। कंप्यूटर अविश्वसनीय रूप से सटीक था, जो आमतौर पर वास्तविक लैब परिणामों के भीतर 1% से 2% तक था। यह एक तरबूज को केवल देखकर उसके वजन का कुछ औंस के भीतर अनुमान लगाने जैसा था।
- हाइड्रोफ्लोरोकार्बन (रेफ्रिजरेंट्स): इनका उपयोग एयर कंडीशनर में किया जाता है। कंप्यूटर ने उनके क्वथनांक और तरल से गैस में बदलने के लिए आवश्यक ऊर्जा की भविष्यवाणी की। यह अच्छा था, लेकिन यहाँ थोड़ा कम सटीक था (लग around 10% त्रुटि) क्योंकि इन अणुओं में जटिल विद्युत संपर्क होते हैं जिन्हें सरल संख्याओं के साथ गिनना कठिन होता है।
- क्राउन ईथर्स (रिंग के आकार के): इनका उपयोग विशिष्ट धातु परमाणुओं को पकड़ने के लिए किया जाता है। कंप्यूटर ने यह सीखने में सफलता प्राप्त की कि एक विशिष्ट रिंग किसी धातु आयन को कितनी मजबूती से पकड़ेगी। इसने सफलतापूर्वक पता लगाया कि कुछ रिंग आकार कुछ धातुओं में बिल्कुल फिट बैठते हैं, ठीक वैसे ही जैसे एक चाबी ताले में फिट होती है।
यह पुराने गणित से बेहतर क्यों है?
इससे पहले, वैज्ञानिक गुणों का अनुमान लगाने के लिए मानक गणितीय सूत्रों (जैसे बिंदुओं के बादल के माध्यम से एक सीधी रेखा खींचना) का उपयोग करते थे। लेकिन रासायनिक संबंध शायद ही कभी सीधी रेखाओं में होते हैं; वे अव्यवस्थित, घुमावदार और जटिल होते हैं।
लेखकों ने अपने "डिजिटल मस्तिष्क" की तुलना इन पुराने गणितीय तरीकों से की। न्यूरल नेटवर्क हर बार जीत गया। यह एक घुमावदार पहाड़ी सड़क का वर्णन करने की कोशिश करने जैसा है: एक सीधी रेखा (पुराना गणित) एक बहुत खराब अनुमान है, लेकिन एक लचीला पाइप (न्यूरल नेटवर्क) हर मोड़ और घुमाव का पूरी तरह से अनुसरण कर सकता है।
भविष्य: "कंप्यूटेशनल सिंथेसिस"
यह पेपर "कंप्यूटेशनल सिंथेसिस" नामक एक नया तरीका सुझाता है जिससे पदार्थों को डिजाइन किया जा सकता है। केवल एक संरचना का अनुमान लगाने और यह देखने के बजाय कि वह क्या करती है, आप इसके विपरीत भी कर सकते हैं:
- कंप्यूटर को बताएं: "मुझे एक ऐसा पदार्थ चाहिए जो ठीक 50°C पर उबलता हो और बहुत भारी हो।"
- कंप्यूटर अपने प्रशिक्षित मस्तिष्क और एक "सर्च इंजन" (जेनेटिक एल्गोरिदम) का उपयोग करके लाखों काल्पनिक रासायनिक संरचनाओं को पलटता है।
- यह उन संभावित रेसिपी की एक सूची निकाल कर देता जो काम करनी चाहिए।
निष्कर्ष
यह पेपर दिखाता है कि हम कंप्यूटर को एक अणु के आकार और उसके व्यवहार के बीच के संबंध को समझना सिखा सकते हैं। रासायनिक संरचनाओं को सरल संख्याओं में बदलकर और एक "डिजिटल मस्तिष्क" को पैटर्न सीखने देकर, वैज्ञानिक बिना उन्हें बनाए यह भविष्यवाणी कर सकते हैं कि नए पदार्थ कैसे व्यवहार करेंगे। यह समय और पैसा बचाता है, एक शक्तिशाली फिल्टर के रूप में कार्य करता है ताकि वास्तविक दुनिया में आने से पहले ही सबसे अच्छे पदार्थों को खोजा जा सके।
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।