🤖 machine learning

A green solvent screening tool for emerging materials via uncertainty aware, transformer enhanced transfer learning

यह शोध पत्र एक अनिश्चितता-जागरूक (uncertainty-aware), ट्रांसफार्मर-संवर्धित ट्रांसफर लर्निंग टूल प्रस्तुत करता है जो उभरती सामग्रियों के लिए टिकाऊ हरित विलायक (green solvent) विकल्पों की कुशल स्क्रीनिंग और खोज को सक्षम करने हेतु, डेटा की कमी को दूर करते हुए प्रमुख विलायक गुणों की सटीक भविष्यवाणी करता है।

मूल लेखक: Ioannis Kouroudis, Simon Ternes, Zhaosu Gu, Gohar Ali Siddiqui, Marina Ustinova, Angelo Lembo, Alessio Gagliardi, Aldo Di Carlo

प्रकाशित 2026-06-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ioannis Kouroudis, Simon Ternes, Zhaosu Gu, Gohar Ali Siddiqui, Marina Ustinova, Angelo Lembo, Alessio Gagliardi, Aldo Di Carlo

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 नया, स्वादिष्ट व्यंजन बनाने की कोशिश कर रहे हैं। आपके पास एक विशिष्ट सामग्री है (एक नए बैटरी या सौर पैनल के लिए एक पदार्थ) जिसे काम करने के लिए एक तरल (एक विलायक/सॉल्वेंट) में घोलना आवश्यक है। समस्या यह है कि आपने अब तक जिन तरल पदार्थों का उपयोग किया है, वे जहरीले, दुर्गंधयुक्त या पर्यावरण के लिए बुरे हैं। आपको एक "हरा" (पर्यावरण के अनुकूल) विकल्प ढूंढना है जो उतना ही अच्छा काम करे लेकिन सुरक्षित हो।

आमतौर पर, सही तरल पदार्थ खोजना एक विशाल, धूल भरे गोदाम में हर एक जार को चखकर सही मसालों के मिश्रण का अनुमान लगाने जैसा है। इसमें बहुत समय लगता है, बहुत पैसा खर्च होता है, और हो सकता है कि आप गलती से कुछ जहरीला चुन लें।

यह शोध पत्र एक स्मार्ट, डिजिटल "टेस्ट-टेस्टर" पेश करता है जो वैज्ञानिकों को बहुत तेज़ी से और सुरक्षित रूप से सही ग्रीन सॉल्वेंट खोजने में मदद करता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: "डेटा डेजर्ट" (डेटा का रेगिस्तान)

वैज्ञानिकों को कुछ सामान्य तरल पदार्थों के बारे में बहुत कुछ पता है, लेकिन कई नए, विशिष्ट रसायनों के लिए डेटा गायब है। यह एक ऐसे मानचित्र पर नेविगेट करने जैसा है जहाँ अधिकांश क्षेत्र खाली है। पारंपरिक कंप्यूटर प्रोग्रामों को सीखने के लिए हजारों उदाहरणों की आवश्यकता होती है, लेकिन इन नए रसायनों के लिए, हमारे पास केवल कुछ ही डेटा बिंदु उपलब्ध हैं। यदि आप बहुत कम जानकारी के साथ कंप्यूटर को सिखाने की कोशिश करते हैं, तो वह आमतौर पर केवल उन्हीं कुछ उदाहरणों को याद कर लेता है जो उसने देखे हैं और नए डेटा के सामने विफल हो जाता है (इसे "ओवरफिटिंग" कहा जाता है)।

2. समाधान: "एक्सपर्ट इंटर्न" (ट्रांसफर लर्निंग)

कंप्यूटर को शून्य से सिखाने के बजाय, लेखकों ने एक "प्री-ट्रेन्ड" मॉडल का उपयोग किया। इसे ऐसे समझें जैसे कि आपने एक प्रतिभाशाली शेफ को काम पर रखा है जिसने पहले ही हजारों अलग-अलग भोजन बनाना सीख लिया है (इसे 1,34,000 छोटे अणुओं के विशाल डेटाबेस पर प्रशिक्षित किया गया है)।

नींव: यह "शेफ" (DimeNet) पहले से ही समझता है कि परमाणु आपस में कैसे जुड़ते हैं और परस्पर क्रिया करते हैं।
अनुकूलन: लेखकों ने शेफ को सब कुछ फिर से सीखने के लिए नहीं कहा। इसके बजाय, उन्होंने शेफ को एक छोटा, विशिष्ट कार्य दिया: "यहाँ ग्रीन सॉल्वेंट्स के कुछ उदाहरण दिए गए हैं; अपने मौजूदा ज्ञान का उपयोग करके बाकी को समझने की कोशिश करें।"
परिणाम: क्योंकि मॉडल पहले से ही रसायन विज्ञान के "व्याकरण" को जानता है, इसलिए इसे ग्रीन सॉल्वेंट्स की विशिष्ट "बोली" सीखने के लिए केवल बहुत कम नए डेटा की आवश्यकता थी।

3. सेफ्टी नेट: "कॉन्फिडेंस मीटर" (अनिश्चितता का परिमाणीकरण)

इस टूल की सबसे शानदार विशेषता यह है कि यह केवल एक उत्तर नहीं देता; बल्कि यह भी बताता है कि यह कितना आश्वस्त है।

कल्पना कीजिए कि यह टूल एक मौसम भविष्यवक्ता है। यह केवल यह नहीं कहता कि "बारिश होगी," बल्कि यह कहता है, "बारिश होगी, और मैं 95% आश्वस्त हूँ," या "बारिश हो सकती है, लेकिन मैं केवल 40% आश्वस्त हूँ क्योंकि मैंने इस प्रकार के बादल पहले नहीं देखे हैं।"
यह गौसियन प्रोसेस (Gaussian Processes) नामक एक गणितीय विधि का उपयोग करके किया जाता है। यदि टूल अनिश्चित है, तो यह भविष्यवाणी को फ्लैग (चिह्नित) कर देता है ताकि वैज्ञानिक सावधान रहें या दोबारा जांच करने के लिए वास्तविक प्रयोग कर सकें। यह लोगों को गलत अनुमान पर भरोसा करने से रोकता है।

4. जादुई मिश्रण: अंतर्ज्ञान और डेटा का संयोजन

यह टूल एक हाइब्रिड है। यह जोड़ता है:

मानवीय बुद्धिमत्ता: यह ज्ञात रासायनिक नियमों (डिस्क्रिप्टर्स) का उपयोग करता है जिन्हें मानव विशेषज्ञों ने दशकों में विकसित किया है।
AI खोज: यह एक "ट्रांसफॉर्मर" (एक प्रकार का AI जो भाषा समझने के लिए प्रसिद्ध है) का उपयोग करता है ताकि उन छिपे हुए पैटर्न को खोजा जा सके जिन्हें इंसान मिस कर सकते हैं।
परिणाम: मानवीय नियमों और AI पैटर्न-खोजने की क्षमता को मिलाकर, यह टूल उन रसायनों के गुणों की भविष्यवाणी करने में बहुत बेहतर हो गया जहाँ डेटा की कमी थी।

5. टूल: एक "ग्रीन सॉल्वेंट सर्च इंजन"

लेखकों ने एक मुफ्त, उपयोग में आसान वेबसाइट (एक वेब ऐप) बनाई है जहाँ कोई भी उस जहरीले सॉल्वेंट को डाल सकता है जिसे वह बदलना चाहता है।

यह कैसे काम करता है: आप "बुरे" सॉल्वेंट को टाइप करते हैं (जैसे, कुछ ऐसा जिसका उपयोग सौर पैनल बनाने में किया जाता है)।
जादू: यह टूल 5,000 से अधिक रसायनों के डेटाबेस को स्कैन करता है। यह गणना करता है कि वे आपके बुरे सॉल्वेंट के कितने समान हैं—यह इस आधार पर कि वे चीजों को कैसे घोलते हैं, बिजली को कैसे संभालते हैं, और उनकी रासायनिक "व्यक्तित्व" कैसी है।
फ़िल्टर: आप टूल को बता सकते हैं, "केवल वे विकल्प दिखाएं जो पर्यावरण और मानव स्वास्थ्य के लिए सुरक्षित हैं।"
आउटपुट: यह आपको "ग्रीन" उम्मीदवारों की एक रैंक की गई सूची देता है।

उन्होंने क्या पाया?

सटीकता: टूल का परीक्षण ज्ञात रसायनों पर किया गया था और इसने सही उत्तर दिए, यहाँ तक कि उन रसायनों के लिए भी जहाँ बहुत कम डेटा मौजूद था।
पुनः खोज (Rediscovery): इसने सफलतापूर्वक उन "ग्रीन" विकल्पों को खोज निकाला जिन्हें वैज्ञानिकों ने मैन्युअल रूप से पहले ही खोज लिया था, जिससे सिद्ध हुआ कि टूल काम करता है।
नई खोजें: इसने कुछ बिल्कुल नए, अनोखे रसायनों का भी सुझाव दिया जो ग्रीन विकल्प हो सकते हैं। इनमें से कुछ पहले से ही खाद्य या स्वादों (जैसे कुछ एस्टर) में उपयोग किए जाते हैं, जो यह संकेत देते हैं कि वे औद्योगिक उपयोग के लिए सुरक्षित और प्रभावी हो सकते हैं।

मुख्य निष्कर्ष

यह शोध पत्र वैज्ञानिकों के लिए एक स्मार्ट, डेटा-कुशल सहायक प्रस्तुत करता है। यह उन्हें हजारों महंगे प्रयोग करने के बजाय खतरनाक, प्रदूषण फैलाने वाले रसायनों को सुरक्षित, हरित विकल्पों के साथ बदलने की अनुमति देता है। यह रसायन विज्ञान के लिए एक GPS होने जैसा है जो तब भी काम करता है जब मानचित्र अधूरा हो, जो शोधकर्ताओं को बैटरी और सौर पैनल जैसी प्रौद्योगिकियों के लिए एक स्वच्छ भविष्य की ओर ले जाता है।

तकनीकी सारांश: अनिश्चितता-जागरूक ट्रांसफर लर्निंग के माध्यम से ग्रीन सॉल्वेंट स्क्रीनिंग

समस्या विवरण
विलायक विलेयता (solvent solubility) की सटीक भविष्यवाणी करना सामग्री विज्ञान और टिकाऊ रसायन विज्ञान में एक केंद्रीय चुनौती बनी हुई है। जैसे-जैसे ऑर्गेनिक/हाइब्रिड फोटोवोल्टिक्स, बैटरी और कैटालिसिस जैसी उभरती प्रौद्योगिकियां उत्पादन बढ़ा रही हैं, सॉल्वेंट का उपयोग काफी बढ़ने का अनुमान है, जिससे पारंपरिक सॉल्वेंट्स को हरित विकल्पों (greener alternatives) के साथ बदलने की आवश्यकता बढ़ गई है। हालांकि, महत्वपूर्ण विलेयता मापदंडों (solubility parameters) के लिए प्रयोगात्मक डेटा की कमी के कारण मशीन लर्निंग (ML) की प्रभावकारिता गंभीर रूप से बाधित है। जबकि हैनसेन विलेयता मापदंडों ( $\delta_d, \delta_p, \delta_h$ ) और डाइइलेक्ट्रिक स्थिरांक ( $\varepsilon_r$ ) के लिए व्यापक डेटाबेस मौजूद हैं, अन्य महत्वपूर्ण डिस्क्रिप्टर्स—विशेष रूप से गुटमैन डोनर/एसेप्टर नंबर (DN, AN) और कामलेट-टाफ्ट सॉल्वटोक्रोमिक पैरामीटर्स ( $\alpha, \beta, \pi^*$ )—के लिए डेटा अत्यंत विरल है, जो सैकड़ों से लेकर मात्र दर्जनों प्रविष्टियों तक सीमित है। यह डेटा की कमी पारंपरिक मॉडलों में ओवरफिटिंग (overfitting) की ओर ले जाती है और मजबूत सामग्री खोज के लिए आवश्यक सामान्यीकरण (generalization) को सीमित करती है।

कार्यप्रणाली
लेखक एक ट्रांसफर लर्निंग पाइपलाइन का प्रस्ताव करते हैं जिसे न्यूनतम प्रशिक्षण डेटा आवश्यकताओं के साथ 5,000 से अधिक वाष्पशील कार्बनिक यौगिकों (VOCs) के नौ विलेयता मापदंडों के वेक्टर की भविष्यवाणी करने के लिए डिज़ाइन किया गया है। इसकी संरचना में तीन प्राथमिक घटक शामिल हैं:

फाउंडेशनल मॉडल (DimeNet): पाइपलाइन एक प्री-ट्रेन्ड डायरेक्शनल मैसेज पासिंग न्यूरल नेटवर्क (DimeNet) का उपयोग करती है, जिसे मूल रूप से क्वांटम-केमिकल गुणों की भविष्यवाणी करने के लिए QM9 डेटासेट (134,000 छोटे कार्बनिक अणु) पर प्रशिक्षित किया गया था। DimeNet के स्केलर आउटपुट का उपयोग करने के बजाय, लेखक इसके पेनल्टीमेट लेयर (इंटरैक्शन मैट्रिक्स का कॉलम-वाइज समेशन) से एक निश्चित आकार का वेक्टर निकालते हैं, जिसमें ट्रांसफर लर्निंग के लिए उपयुक्त उच्च घनत्व वाली आणविक जानकारी होती है।
आणविक डिस्क्रिप्टर्स (Molecular Descriptors): डीप लर्निंग फीचर्स को पूरक बनाने के लिए, मॉडल में OCHEM डेटाबेस से प्राप्त $n$ -आयामी आणविक डिस्क्रिप्टर शामिल हैं। ये डिस्क्रिप्टर मानवीय रासायनिक अंतर्ज्ञान (जैसे विशिष्ट परमाणु समूह) को संकुचित करते हैं और उन्हें कम स्व-सहसंबंध (low self-correlation) और लक्षित मापदंडों के साथ उच्च सहसंबंध के आधार पर चुना जाता है।
अनिश्चितता-जागरूक रिग्रेशन (Gaussian Processes): अंतिम परत एक गॉसियन प्रोसेस (GP) रिग्रेसर का उपयोग करती है। यह दो महत्वपूर्ण कार्य करता है: यह पूर्व वितरणों (prior distributions) का लाभ उठाकर ओवरफिटिंग को रोकने के लिए स्पार्स डेटासेट पर भी मजबूत भविष्यवाणियां प्रदान करता है, और विश्वास अंतराल (confidence intervals) के माध्यम से भविष्यवाणियों की अनिश्चितता को भी मापता है।
ट्रांसफॉर्मर एन्हांसमेंट: विशिष्ट मापदंडों के लिए, DimeNet/डिस्क्रिप्टर वेक्टर और GP के बीच एक ट्रांसफॉर्मर लेयर डाली जाती है ताकि अटेंशन-आधारित वैल्यू एडजस्टमेंट के माध्यम से भविष्यवाणी को और अधिक परिष्कृत किया जा सके।

पाइपलाइन को नेगेटिव लॉग-लाइक्लीहुड (negative log-likelihood) को कम करने के लिए प्रशिक्षित किया जाता है। सॉल्वेंट रैंकिंग के लिए, लेखक एक भारित यूक्लिडियन दूरी मीट्रिक ( $\hat{R}^2$ ) को परिभाषित करते हैं जो एक संदर्भ सॉल्वेंट की तुलना में एक संभावित सॉल्वेंट की तुलना करता है। भार को विशिष्ट अनुप्रयोगों के आधार पर कस्टमाइज़ किया जा सकता है (जैसे, आयनिक पेरोव्स्काइट समाधानों के लिए DN/AN को प्राथमिकता देना) या मॉडल के $R^2$ प्रदर्शन के आधार पर स्वचालित रूप से सेट किया जा सकता है।

प्रमुख योगदान

डेटा ऑग्मेंटेशन: यह कार्य उच्च-गुणवत्ता वाली भविष्यवाणियों के साथ उपलब्ध डेटा के लिए विलेयता डिस्क्रिप्टर्स को दो क्रमों (orders of magnitude) तक सफलतापूर्वक बढ़ाता है (विशेष रूप से हैनसेन मापदंडों के लिए 4 गुना और DN/AN जैसे अन्य के लिए 100 गुना तक)।
अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification): मौजूदा कई विलेयता भविष्यवक्ताओं के विपरीत, यह पाइपलाइन स्पष्ट रूप से अनिश्चितता अनुमान प्रदान करती है, जिससे प्रयोगकर्ता भविष्यवाणियों के आत्मविश्वास को माप सकते हैं और ज्ञान के अंतराल की पहचान कर सकते हैं।
कस्टमाइज़ेबल स्क्रीनिंग टूल: लेखकों ने एक हल्का, ओपन-सोर्स स्ट्रीमलिट (Streamlit) एप्लिकेशन (kouter) तैनात किया है जो 5,000 से अधिक VOCs की स्क्रीनिंग करने की अनुमति देता है। यह टूल "ग्रीन" विकल्पों की पहचान करने के लिए विलेयता मापदंडों के कस्टम वेटिंग, अनिश्चितता फ़िल्टरिंग और खतरा प्रतीक स्क्रीनिंग (GHS H3xx/H4xx) का समर्थन करता है।
स्पार्स डेटा पर मजबूती: अध्ययन यह प्रदर्शित करता है कि फाउंडेशनल मॉडल्स से ट्रांसफर लर्निंग कम डेटा वाले क्षेत्रों में भी उच्च प्रदर्शन वाली भविष्यवाणियों को सक्षम बनाती है, जहाँ पारंपरिक मॉडल आमतौर पर विफल हो जाते हैं।

परिणाम
पाइपलाइन को $n$ -फोल्ड क्रॉस-वैलिडेशन ( $n$ बड़े डेटासेट के लिए 5-फोल्ड और स्पार्स डेटासेट के लिए 10-फोल्ड) का उपयोग करके मान्य किया गया।

प्रदर्शन: पूर्ण पाइपलाइन ने केवल गॉसियन प्रोसेस और आणविक डिस्क्रिप्टर का उपयोग करने वाले बेसलाइन मॉडल की तुलना में काफी बेहतर प्रदर्शन किया। मापदंडों के औसत पर सापेक्ष रूट मीन स्क्वायर एरर (RRMSE) लगभग 50% सुधरा।
विशिष्ट लाभ: सबसे नाटकीय सुधार उन मापदंडों में देखे गए जिनमें डेटा सबसे कम था। गुटमैन डोनर नंबरों के लिए, RRMSE में 84.83% का सुधार हुआ (0.865 से 0.458), और हैनसेन बॉन्डिंग ( $\delta_h$ ) के लिए, 66.67% का सुधार हुआ।
गुणात्मक सत्यापन: सामान्य औद्योगिक सॉल्वेंट्स (जैसे डाइक्लोरोमेथेन, NMP, मेथनॉल) के "टॉप-1 ट्रायल" स्क्रीनिंग में, टूल ने तर्कसंगत ग्रीन सब्स्टीट्यूट की पहचान की। विशेष रूप से, इसने N,N-डाइमिथाइलफॉर्मेमाइड (पेरोव्स्काइट सौर कोशिकाओं पर साहित्य के अनुरूप) के विकल्प के रूप में गामा-वेलरलेक्टोन (GVL) की सही भविष्यवाणी की और एथिलीन कार्बोनेट (बैटरी इलेक्ट्रोलाइट साहित्य के अनुरूप) के लिए डाइमिथाइलसल्फोन का सुझाव दिया। टूल ने टोल्यूनि के लिए 1,4-डाइहाइड्रोनेफ्थलीन जैसे नए उम्मीदवारों का भी प्रस्ताव दिया, हालांकि लेखक नोट करते हैं कि इनके लिए प्रतिक्रियाशीलता और स्थिरता के संबंध में प्रयोगात्मक सत्यापन की आवश्यकता है।

महत्व और दावे
यह शोध पत्र इस कार्य को डेटा की कमी वाले क्षेत्रों में प्री-ट्रेन्ड फाउंडेशनल मॉडल्स का लाभ उठाने के लिए एक "प्रथम, शक्तिशाली प्रूफ-ऑफ-कॉन्सेप्ट" के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि उनका दृष्टिकोण एक बहुमुखी, हल्का ढांचा प्रदान करता है जिसे व्यक्तिगत कंप्यूटरों पर तैनात किया जा सकता है, जिससे उन्नत ML उन समूहों के लिए सुलभ हो जाता है जिनके पास विशेष कंप्यूटिंग इंफ्रास्ट्रक्चर नहीं है।

इसका महत्व विलायक प्रतिस्थापन (solvent substitution) के लिए "डेटा-सूचित निर्णय" प्रदान करने की क्षमता में निहित है, जो उभरती ऊर्जा प्रौद्योगिकियों (जैसे पेरोव्स्काइट PV और बैटरी) के रोलआउट को इको-फ्रेंडली सॉल्वेंट विकल्पों की पहचान करके तेज कर सकता है। लेखक इस बात पर जोर देते हैं कि यह टूल अनुसंधान और खोज उद्देश्यों के लिए डिज़ाइन किया गया है; यह सुरक्षा डेटा शीट या व्यावहारिक प्रयोगशाला निर्णयों का विकल्प नहीं है। विशेषज्ञ रासायनिक ज्ञान (डिस्क्रिप्टर) को डेटा-संचालित लर्निंग (ट्रांसफर लर्निंग और GPs) के साथ जोड़कर, यह पाइपलाइन सैद्धांतिक भविष्यवाणी और टिकाऊ रसायन विज्ञान के व्यावहारिक अनुप्रयोग के बीच के अंतर को पाटती है। भविष्य के कार्यों में नए फाउंडेशनल मॉडल्स (जैसे MACE, NequIP) को एकीकृत करना और चार्ज ट्रांसपोर्ट या रिएक्शन पाथवे जैसे अन्य स्पार्स गुणों के दायरे को बढ़ाना शामिल है।