🔬 materials science

Range-Aware Bayesian Optimization for Discovering Diverse Designs within Target Property Windows

यह शोध पत्र एक रेंज-अवेयर बेयसियन ऑप्टिमाइज़ेशन फ्रेमवर्क प्रस्तुत करता है जो लक्षित गुण श्रेणियों (target property ranges) को संतुष्ट करने वाले विविध डिजाइनों की कुशलतापूर्वक खोज करता है, जो बेंचमार्क और व्यावहारिक सामग्री डिजाइन केस स्टडीज दोनों में मानक विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Shengli Jiang, Jason Wu, Charles M. Schroeder, Michael A. Webb

प्रकाशित 2026-06-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shengli Jiang, Jason Wu, Charles M. Schroeder, Michael A. Webb

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 नया सूप बनाने की कोशिश कर रहे एक शेफ हैं। अधिकांश पारंपरिक कुकिंग प्रतियोगिताओं में आपसे सबसे अच्छा संभव एकल सूप खोजने के लिए कहा जाता है—वह सूप जिसका स्वाद सबसे अधिक हो। आप उस एक रेसिपी को तब तक सुधारने में अपना सारा समय बिता सकते हैं जब तक कि वह एकदम सटीक न हो जाए।

लेकिन वास्तविक दुनिया में, विशेष रूप से नई सामग्रियों या उत्पादों को डिजाइन करते समय, आपको अक्सर "परफेक्ट" सूप की आवश्यकता नहीं होती है। आपको बस एक ऐसा सूप चाहिए जो काफी अच्छा हो। यह पर्याप्त नमकीन होना चाहिए, लेकिन बहुत ज्यादा नहीं; पर्याप्त गर्म होना चाहिए, लेकिन बहुत ज्यादा गर्म नहीं। आपके पास स्वीकार्य स्वादों की एक "लक्ष्य सीमा" (target range) होती है। इसके अलावा, आप केवल एक अच्छा सूप ही नहीं चाहते; आप विभिन्न विकल्पों का एक मेन्यू भी चाहते हैं। शायद एक बनाना सस्ता हो, दूसरा बनाना आसान हो, या तीसरा उन सामग्रियों का उपयोग करता हो जो आपके पास पहले से मौजूद हैं।

यह शोध पत्र एक नया "स्मार्ट कुकिंग असिस्टेंट" (एक गणितीय उपकरण जिसे रेंज-अवेयर बेयसियन ऑप्टिमाइज़ेशन कहा जाता है) पेश करता है, जो विशेष रूप से केवल एक एकल परफेक्ट विकल्प की तलाश करने के बजाय, अच्छे-खासी विकल्पों का एक मेन्यू खोजने के लिए डिज़ाइन किया गया है।

पुराने तरीके के साथ समस्या

पारंपरिक "स्मार्ट असिस्टेंट" (मानक अनुकूलन विधियाँ) उन शेफ की तरह हैं जो पूर्णता (perfection) के प्रति जुनूनी होते हैं। वे एक रेसिपी देखते हैं और पूछते हैं, "क्या यह अब तक के सबसे अच्छे से बेहतर है?" यदि उत्तर हाँ है, तो वे चलते रहते हैं। यदि उन्हें एक सूप मिल जाता है जो पहले से ही "काफी अच्छा" है, तो वे अन्य विकल्पों की तलाश करना छोड़ सकते हैं और बस उस एक कटोरे को थोड़ा और बेहतर बनाने के लिए उसे तराशते रह सकते हैं।

यह एक समस्या है क्योंकि:

वे विविधता को खो देते हैं: वे एक शानदार सूप पा सकते हैं लेकिन दस अन्य सूपों को अनदेखा कर सकते हैं जो भी पूरी तरह से अच्छे हैं लेकिन स्वाद में थोड़े अलग हैं।
वे फंस जाते हैं: वे अपनी सारी ऊर्जा रसोई के एक छोटे से कोने पर केंद्रित कर सकते हैं, जिससे वे अन्य क्षेत्र छूट जाते हैं जहाँ बेहतरीन सूप छिपे हो सकते हैं।

नया समाधान: "रेंज-अवेयर" असिस्टेंट

लेखकों, प्रिंसटन यूनिवर्सिटी के शेंगली जियांग और उनके सहयोगियों ने एक नया असिस्टेंट बनाया है जो अलग तरह से सोचता है। "क्या यह सबसे अच्छा है?" पूछने के बजाय, यह पूछता है, "इस बात की क्या संभावना है कि यह रेसिपी मेरी स्वीकार्य सीमा के भीतर आती है?"

वे अपने सबसे अच्छे तरीके को "टॉलरेंस बॉल" (TB) कहते हैं।

यह एक उपमा (analogy) का उपयोग करके कैसे काम करता है, यहाँ बताया गया है:
कल्पना कीजिए कि आप दीवार पर डार्ट्स (तीर) फेंक रहे हैं।

पुराना तरीका: आप बिल्कुल केंद्र (bullseye) पर निशाना लगाने की कोशिश कर रहे हैं। यदि आप उसके करीब पहुँचते हैं, तो आप उसी जगह पर निशाना साधते रहते हैं ताकि और करीब पहुँच सकें।
नया तरीका (टॉलरेंस बॉल): आपने दीवार पर एक बड़ा, धुंधला घेरा बनाया है। आपको केंद्र (bullseye) की परवाह नहीं है; आप बस उस घेरे के अंदर कहीं भी निशाना लगाना चाहते हैं। नया असिस्टेंट इस बात की गणना करता है कि आपके अगले डार्ट के उस घेरे के अंदर गिरने की कितनी संभावना है। यदि किसी स्थान पर घेरे के अंदर गिरने की उच्च संभावना है, तो वह वहाँ डार्ट भेजता है।

चूंकि यह घेरे के अंदर किसी भी हिट की तलाश में है, इसलिए यह स्वाभाविक रूप से एक ही जगह पर इकट्ठा होने के बजाय, उस घेरे के भीतर विभिन्न स्थानों को खोजने के लिए अपने डार्ट्स को फैला देता है। यह आपको वैध रेसिपीओं का एक विविध सेट प्रदान करता है।

उन्होंने इसका परीक्षण कैसे किया

टीम ने इस नए असिस्टेंट का परीक्षण मुख्य रूप से दो तरीकों से किया:

वीडियो गेम लेवल (बेंचमार्क्स): उन्होंने मानक गणितीय पहेलियों का उपयोग किया जहाँ लक्ष्य ऐसे इनपुट खोजना था जो विशिष्ट आउटपुट उत्पन्न करें। उन्होंने अपने नए "टॉलरेंस बॉल" तरीके की तुलना पुराने तरीकों (जैसे "एक्सपेक्टेड इम्प्रूवमेंट") और रैंडम गेसिंग (तुलना) से की।
- परिणाम: नए तरीके ने अन्य सभी तरीकों की तुलना में अधिक वैध समाधान और अधिक विविधता वाले समाधान खोजे। यह एक ही दरवाजे को खोलने वाली 10 अलग-अलग चाबियाँ खोजने जैसा था, जबकि पुराने तरीके केवल एक चाबी ढूंढते थे या केवल उसी एक चाबी को पॉलिश करने की कोशिश करते रहते थे।
वास्तविक दुनिया के किचन टेस्ट (केस स्टडीज):
- टेस्ट 1: प्लास्टिक बनाना (पॉलिमर सिंथेसिस): उन्होंने एक विशिष्ट वजन वितरण वाला प्लास्टिक बनाने के लिए सही खाना पकाने की स्थितियों (तापमान, समय, आदि) को खोजने की कोशिश की। लक्ष्य केवल "हल्का" या "भारी" प्लास्टिक बनाना नहीं था, बल्कि वजन के कर्व का एक विशिष्ट आकार प्राप्त करना था।
  - परिणाम: नए तरीके ने खाना पकाने की स्थितियों के कई अलग-अलग संयोजन खोज निकाले जो बिल्कुल एक ही गुणवत्ता का प्लास्टिक पैदा करते थे। यह निर्माताओं के लिए बहुत बड़ी बात है क्योंकि यदि एक विधि बहुत महंगी है, तो वे बिना उत्पाद बदले असिस्टेंट द्वारा खोजे गए दूसरे वैध तरीके पर स्विच कर सकते हैं।
- टेस्ट 2: प्रकाश-अवशोषक अणुओं को डिजाइन करना: उन्होंने विशिष्ट अणुओं को देखा जो एक निश्चित पैटर्न में प्रकाश को अवशोषित करते हैं (जो सौर सेल या सेंसर के लिए उपयोगी है)।
  - परिणाम: असिस्टेंट ने ऐसे अलग-अलग रासायनिक संरचनाएं खोजीं जो दिखने में पूरी तरह अलग थीं लेकिन एक ही प्रकाश-अवशोषण पैटर्न उत्पन्न करती थीं। यह रसायनविदों को आसानी से या सस्ते में निर्माण करने योग्य अणु चुनने की लचीलापन देता है।

यह क्यों मायने रखता है

शोध पत्र निष्कर्ष निकालता है कि कई वास्तविक दुनिया की डिजाइन समस्याओं के लिए, हमें एक एकल "परफेक्ट" उत्तर की आवश्यकता नहीं होती है। हमें अच्छे विकल्पों का एक पोर्टफोलियो चाहिए।

"रेंज-अवेयर" विधि एक स्मार्ट स्काउट की तरह है जो केवल उच्चतम पर्वत शिखर की तलाश नहीं करती है। इसके बजाय, यह एक विशिष्ट ऊंचाई सीमा के भीतर सभी समतल, रहने योग्य पठारों का मानचित्र बनाती है। यह आपको बताती है: "यहाँ पाँच अलग-अलग स्थान हैं जहाँ आप घर बना सकते हैं जो सभी सुरक्षित, आरामदायक और आपके बजट के भीतर हैं।"

"सबसे अच्छा" होने के बजाय "काफी अच्छा होने की संभावना" पर ध्यान केंद्रित करके, यह नया उपकरण वैज्ञानिकों और इंजीनियरों को समाधानों का एक समृद्ध और अधिक विविध सेट खोजने में मदद करता है, जिससे उनके उत्पादों को बनाने के तरीके में अधिक लचीलापन मिलता है और समय एवं धन की बचत होती है।

तकनीकी सारांश: लक्षित गुण विंडो के भीतर विविध डिजाइनों की खोज के लिए रेंज-अवेयर बेयसियन ऑप्टिमाइज़ेशन (Range-Aware Bayesian Optimization)

1. समस्या का निरूपण (Problem Formulation)

कई सामग्रियों और उत्पाद डिजाइन संदर्भों में, उद्देश्य केवल एक एकल वैश्विक इष्टतम (global optimum) खोजना नहीं है, बल्कि कई विशिष्ट उम्मीदवारों की पहचान करना है जिनके गुण निर्धारित "लक्षित श्रेणियों" (target ranges) के भीतर आते हैं। मानक बेयसियन ऑप्टिमाइज़ेशन (BO) और मल्टी-ऑब्जेक्टिव दृष्टिकोण आमतौर पर चरम मानों (extrema) या पारेटो फ्रंटियर (Pareto frontiers) को खोजने के लिए डिज़ाइन किए जाते हैं, जो अक्सर उन वैध आंतरिक समाधानों की अनदेखी करते हैं जो विशिष्टता विंडो (specification windows) को संतुष्ट करते हैं। इसके अलावा, मौजूदा लक्ष्य-खोज विधियाँ (जैसे, लेवल-सेट एस्टीमेशन, BAX) या कन्सट्रेंड BO फॉर्मुलेशन अक्सर सीमा पार करने (boundary crossings) को प्राथमिकता देते हैं, व्यवहार्यता (feasibility) को एक माध्यमिक बाधा के रूप में देखते हैं, या उच्च-आयामी स्थानों में उच्च कम्प्यूटेशनल लागत का कारण बनते हैं।

लेखक इस समस्या को एक इनवर्स डिज़ाइन कार्य के रूप में फ्रेम करते हैं जहाँ लक्ष्य $S = \{x_1, \dots, x_N\}$ के रूप में विविध वैध डिजाइन प्राप्त करना है ताकि प्रॉपर्टी वेक्टर $f(x)$ , लक्षित विशिष्टता $y_{tgt}$ के यूक्लिडियन टॉलरेंस $\varepsilon$ के भीतर हो। चुनौती एक सीमित मूल्यांकन बजट के तहत यह हासिल करने की है, और यह सुनिश्चित करने की है कि खोजे गए समाधान विशिष्ट लक्षित श्रेणियों के साथ सही ढंग से संरेखित और भिन्न हों, विशेष रूप से जब समानांतर में कई लक्ष्यों का पीछा किया जा रहा हो।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र दो नवीन, सैंपलिंग-मुक्त एक्विजिशन फंक्शन्स (acquisition functions): टॉलरेंस बॉल (TB) और हेविसाइड (HV) पर केंद्रित एक रेंज-अवेयर बेयसियन ऑप्टिमाइज़ेशन (BO) फ्रेमवर्क प्रस्तावित करता है।

सरोगेट मॉडलिंग (Surrogate Modeling): फ्रेमवर्क डिज़ाइन स्पेस से प्रॉपर्टी स्पेस के मैपिंग को मॉडल करने के लिए Matérn 5/2 कर्नेल के साथ गॉसियन प्रोसेस (GP) रिग्रेशन का उपयोग करता है। मल्टी-डायमेंशनल आउटपुट के लिए, प्रत्येक आयाम के लिए स्वतंत्र GPs फिट किए जाते हैं।
एक्विजिशन फंक्शन्स (Acquisition Functions):
- टॉलरेंस बॉल (TB): यह एक्विजिशन फंक्शन सीधे उस पोस्टीरियर प्रोबेबिलिटी को स्कोर करता है कि एक उम्मीदवार लक्षित श्रेणी को संतुष्ट करेगा। यह प्रॉपर्टी वेक्टर के प्रेडिक्टिव डिस्ट्रीब्यूशन को आइसोट्रोपिक (isotropic) के रूप में अनुमानित करता है और गणना करता है कि स्क्वेर्ड डिसक्रेपेंसी $d(x) = \|f(x) - y_{tgt}\|^2$ , $\varepsilon^2$ से कम होने की संभावना कितनी है। इसकी गणना नॉन-सेंट्रल $\chi^2$ डिस्ट्रीब्यूशन के संचयी वितरण (cumulative distribution function) का उपयोग करके विश्लेषणात्मक रूप से की जाती है।
- हेविसाइड (HV): यह फंक्शन उन उम्मीदवारों को प्राथमिकता देता है जिनका पोस्टीरियर मीन (posterior mean) टॉलरेंस रेंज के अंदर होता है, लेकिन सीमा के पास एक स्मूथ ट्रांजिशन बनाए रखता है। यह एक बाइनरी इंडिकेटर (पोस्टीरियर मीन पर आधारित) को TB प्रोबेबिलिटी के साथ मिलाता है, जिसे एक स्मूथिंग पैरामीटर $\tau$ द्वारा नियंत्रित किया जाता है।
पैरेलल सर्च (Parallel Search): यह फ्रेमवर्क एक साझा डिज़ाइन स्पेस के भीतर कई लक्षित श्रेणियों ( $T$ targets) में समानांतर खोज के लिए स्वाभाविक रूप से विस्तारित होता है। इस मोड में, एक साझा GP सरोगेट सभी लक्ष्यों को मॉडल करता है। प्रत्येक इटरेशन में, प्रत्येक लक्ष्य अपने विशिष्ट एक्विजिशन फंक्शन को मैक्सिमाइज करके एक उम्मीदवार प्रस्तावित करता है। कुशल बैच इवैल्यूएशन सुनिश्चित करने के लिए डुप्लिकेट्स को हटा दिया जाता है।
बेसलाइन्स (Baselines): प्रस्तावित विधियों की तुलना मानक BO एक्विजिशन फंक्शन्स (Expected Improvement, Lower Confidence Bound), लक्ष्य-खोज विधियों (Posterior-mean BAX), और रैंडम सैंपलिंग से की जाती है।

3. मुख्य योगदान (Key Contributions)

नवीन एक्विजिशन फंक्शन्स: TB और HV का परिचय, जो रेंज संतुष्टि को चरम मान खोजने के बजाय प्राथमिक एक्विजिशन ऑब्जेक्टिव के रूप में मानते हैं।
विश्लेषणात्मक दक्षता (Analytical Efficiency): TB एक्विजिशन को क्लोज्ड फॉर्म में निकाला गया है, जो महंगे सैंपलिंग-आधारित सेट एस्टीमेशन (जैसे BAX या MultiBAX) की आवश्यकता को समाप्त करता है, जिससे यह निरंतर (continuous) और डिस्क्रीट (discrete) डोमेन के लिए कम्प्यूटेशनल रूप से कुशल बन जाता है।
पैरेलल टारगेट हैंडलिंग: साझा डिज़ाइन स्पेस के भीतर बिना टार्गेट फिडेलिटी (target fidelity) से समझौता किए कई अलग-अलग विशिष्टताओं को एक साथ संचालित करने के लिए एक तंत्र।
डाइवर्सिटी मेट्रिक्स (Diversity Metrics): वैध समाधानों को क्लस्टर करने के बजाय, विविध वैध समाधानों को रिकवर करने की एल्गोरिदम की क्षमता का मूल्यांकन करने के लिए $\delta$ -uniqueness और नॉर्मलाइज्ड डाइवर्सिटी स्कोर का उपयोग।

4. परिणाम (Results)

फ्रेमवर्क का मूल्यांकन चार कार्यों के वर्गों में किया गया: सिंथेटिक बेंचमार्क फंक्शन्स, पूल-आधारित डेटासेट्स (नैनोपार्टिकल्स, प्रोटीन्स, मॉलिक्यूलर लाइब्रेरी), काइनेटिक मोंटे कार्लो (KMC) पॉलीमराइजेशन सिमुलेशन, और सीक्वेंस-डिफाइंड ओलिगोमर डिस्कवरी।

बेंचमार्क प्रदर्शन: सिंथेटिक और पूल-आधारित डेटासेट्स में, टॉलरेंस बॉल (TB) एक्विजिशन ने लगातार उच्चतम औसत रैंक और सर्वश्रेष्ठ प्रदर्शन करने वाले कार्यों का सबसे बड़ा हिस्सा हासिल किया। इसने विविध वैध डिजाइनों को रिकवर करने में मानक BO (EI, LCB) और लक्ष्य-खोज बेसलाइन्स (BAX) को पीछे छोड़ दिया। TB ने कई लक्ष्यों के बीच संतुलित खोज बनाए रखी, जबकि EI जैसे तरीकों में एक विशिष्ट लक्ष्य के समूह पर ध्यान केंद्रित करने या एक ही इनकंबेंट को रिफाइन करने की प्रवृत्ति देखी गई।
टारगेट फिडेलिटी (Target Fidelity): पैरेलल सर्च परिदृश्यों में, TB ने उत्कृष्ट "टारगेट फिडेलिटी" प्रदर्शित की, जिसमें लो क्रॉस-टारगेट हिट रेश्यो (अर्थात, यह गलत लक्ष्य के लिए वैध डिज़ाइन खोजने में विफल रहा) देखा गया। यह सुझाव देता है कि TB प्रभावी रूप से उन उम्मीदवारों को प्राथमिकता देता है जिनमें इच्छित रेंज को संतुष्ट करने की उच्च पोस्टीरियर प्रोबेबिलिटी होती है।
केस स्टडी 1: पॉलीमर सिंथेसिस (KMC): रिएक्शन कंडीशंस के माध्यम से विशिष्ट मॉलिक्यूलर वेट डिस्ट्रीब्यूशन (MWD) को पुनरुत्पादित करने के कार्य में, TB ने अन्य विधियों की तुलना में काफी तेजी से और अधिक निरंतरता के साथ वैध डिजाइन रिकवर किए। इसने विविध रिएक्शन पाथवे (डिजेनरेट सॉल्यूशंस) की पहचान की जो समान MWD उत्पन्न करते हैं, जिससे प्रोसेस ऑप्टिमाइजेशन के लिए लचीलापन मिलता है।
केस स्टडी 2: ओलिगोमर डिस्कवरी: सीक्वेंस-डिफाइंड कंजुगेटेड ओलिगोमर्स की एक डिस्क्रीट लाइब्रेरी में, TB ने उच्चतम मीन डाइवर्सिटी स्कोर प्राप्त किया। इसने सफलतापूर्वक संरचनात्मक रूप से भिन्न अणुओं की पहचान की जो लगभग समान ऑप्टिकल एब्जॉर्प्शन बैंड उत्पन्न करते हैं, जो स्ट्रक्चर-प्रॉपर्टी डिजेनेरेसी (structure-property degeneracy) को नेविगेट करने की क्षमता को प्रदर्शित करता है।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि रेंज-अवेयर BO स्पेक्स-ड्रिवन डिज़ाइन के लिए एक व्यावहारिक और सैंपल-एफिशिएंट आधार प्रदान करता है, विशेष रूप से तब जब डिज़ाइन फ्लेक्सिबिलिटी और सॉल्यूशन डाइवर्सिटी महत्वपूर्ण हो।

डिज़ाइन आवश्यकताओं के साथ संरेखण: लेखक तर्क देते हैं कि TB वास्तविक दुनिया के डिज़ाइन बाधाओं के साथ बेहतर ढंग से संरेखित है जहाँ एक एकल "इष्टतम" बिंदु के बजाय कई वैध विकल्पों को प्राथमिकता दी जाती है, और जहाँ उम्मीदवार लागत, मजबूती या प्रोसेसैबिलिटी में भिन्न हो सकते हैं।
एक्सट्रीमम सीकिंग से श्रेष्ठता: परिणाम बताते हैं कि इम्प्रूवमेंट-आधारित या अनसर्टेन्टी-ड्रिवन विधियाँ अक्सर रेंज डिस्कवरी के साथ असंगत होती हैं, क्योंकि वे ऑफ-टारगेट रेंज की ओर जाने या आशाजनक क्षेत्रों का अत्यधिक दोहन करने की प्रवृत्ति रखती हैं। TB का स्पष्ट रेंज-सैटिस्फैक्शन स्कोरिंग अधिक विश्वसनीय और विविध परिणाम देता है।
सीमित दायरा: लेखक नोट करते हैं कि हालांकि TB एक मजबूत डिफॉल्ट विकल्प है, यह हर व्यक्तिगत लक्ष्य या डेटासेट के लिए सार्वभौमिक रूप से शीर्ष-रैंक वाली विधि नहीं है। जब डिस्क्रीट लाइब्रेरी में वैध क्षेत्र घने होते हैं, तो मॉडल-गाइडेड सर्च और रैंडम सैंपलिंग के बीच का अंतर कम हो जाता है, जो यह दर्शाता है कि सरोगेट मॉडल का मूल्य तब उच्चतम होता है जब वैध क्षेत्र विरल (sparse) या विच्छेदित (disconnected) होते हैं।
भविष्य की दिशाएं: पेपर सुझाव देता है कि भविष्य के कार्यों में एक्विजिशन में स्पष्ट डाइवर्सिटी इंसेंटिव्स को एकीकृत करना, मल्टी-आउटपुट GPs के माध्यम से आइसोट्रोपिक वेरिएंस अप्रोक्सिमेशन को शिथिल करना, और एडेप्टिव टॉलरेंस विकसित करना शामिल हो सकता है। यह इस फ्रेमवर्क को क्लोज्ड-लूप मैटेरियल्स डिस्कवरी के लिए ऑटोमेटेड सिंथेसिस पाइपलाइनों के साथ एकीकृत करने की कल्पना करता है।