🤖 machine learning

Synergizing Physically Constrained MCMC and Chemical-Informed Gaussian Processes for Reaction Network Discovery

यह शोध पत्र PC-MCMC-CIGP प्रस्तुत करता है, जो एक पुनरुत्पादक ग्रे-बॉक्स वर्कफ़्लो है जो रिएक्शन टोपोलॉजी की खोज के लिए फिजिकली कंस्ट्रेंड MCMC को केमिकल-इन्फॉर्म्ड गॉसियन प्रोसेस के साथ सिनर्जाइज़ करता है, जो वास्तविक रिएक्शन मैकेनिज्म को भ्रामक फिट्स से अलग करने की श्रेष्ठ क्षमता प्रदर्शित करता है और मौजूदा बेसलाइन्स की तुलना में रिएक्शन यील्ड में महत्वपूर्ण सुधार करता है।

मूल लेखक: Runzhe Liu, Zihao Wang, Wenbo Yang, Shengyang Tao

प्रकाशित 2026-06-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Runzhe Liu, Zihao Wang, Wenbo Yang, Shengyang Tao

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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके पास जो सुराग हैं वे बिखरे हुए, अधूरे और शोर (static noise) से भरे हुए हैं। रसायन विज्ञान की दुनिया में, यह "रहस्य" यह समझना है कि अणु (molecules) वास्तव में कैसे परस्पर क्रिया करते हैं ताकि एक प्रतिक्रिया (reaction) बन सके। वैज्ञानिकों के पास डेटा (time-series) होता है जो दिखाता है कि सांद्रता (concentrations) कैसे बदलती है, लेकिन वे सटीक "नुस्खा" (reaction network) या सटीक "पकाने का समय" (kinetic parameters) नहीं जानते हैं जिसने उन परिवर्तनों को अंजाम दिया।

यह शोध पत्र एक नया जासूसी उपकरण पेश करता है जिसे PC-MCMC-CIGP कहा जाता है। इसे एक दो-भाग वाली टीम के रूप में समझें जो गलत सुरागों में खोए बिना इस रासायनिक रहस्य को सुलझाने के लिए मिलकर काम करती है।

समस्या: "ब्लैक बॉक्स" का जाल

आमतौर पर, जब वैज्ञानिक इन रासायनिक नुस्खों को खोजने की कोशिश करते हैं, तो उन्हें दो बड़ी समस्याओं का सामना करना पड़ता है:

पहेली बहुत बड़ी है: अणुओं के संयोजन के अरबों संभावित तरीके हो सकते हैं। उन सभी को आज़माना एक समुद्र तट पर हर जगह खुदाई करके रेत के एक विशिष्ट कण को खोजने जैसा है।
"गणित बनाम वास्तविकता" का जाल: कभी-कभी, एक कंप्यूटर एक ऐसा गणितीय सूत्र ढूंढ लेता है जो बिखरे हुए डेटा के साथ पूरी तरह फिट बैठता है, लेकिन वह वास्तविक दुनिया में कोई अर्थ नहीं रखता (जैसे एक नुस्खा जो कहता है "नकारात्मक चीनी डालें")। पारंपरिक तरीके अक्सर इन "नकली" समाधानों के झांसे में आ जाते हैं।

समाधान: एक दो-चरणीय जासूसी टीम

लेखकों ने एक वर्कफ़्लो बनाया है जो दो अलग-अलग रणनीतियों को जोड़ता है, जैसे कि एक जासूस एक छलनी (Sieve) और एक स्मार्ट सहायक (Smart Assistant) का उपयोग कर रहा हो।

चरण 1: "छलनी" (PC-MCMC)

रूपक (Metaphor): कल्पना कीजिए कि आपके पास लेगो ब्रिक्स (Lego bricks) का एक बड़ा बैग है जो हर संभव रासायनिक प्रतिक्रिया का प्रतिनिधित्व करता है। आपको उन विशिष्ट ब्रिक्स के सेट को खोजना है जिनसे वह टावर बना है जिसे आप देख रहे हैं।
यह कैसे काम करता है: टीम Spike-and-Slab MCMC नामक विधि का उपयोग करती है। इसे एक सुपर-स्मार्ट छलनी के रूप में सोचें। यह प्रतिक्रियाओं के संयोजनों को टेस्ट करने के लिए रैंडमली चुनती है।
"भौतिक बाधाएं" (Physical Constraints): यह जादुई हिस्सा है। डेटा को देखने से पहले ही, इस छलनी के पास अटूट नियम होते हैं (जैसे "परमाणु गायब नहीं हो सकते" या "ऊर्जा संतुलित होनी चाहिए")। यदि प्रतिक्रियाओं का कोई संयोजन इन नियमों को तोड़ता है, तो छलनी उसे तुरंत बाहर फेंक देती है।
परिणाम: यह अरबों असंभव परिदृश्यों को छान देता है, जिससे केवल वही बचते हैं जो रासायनिक रूप से वैध हैं। यह एक क्लब के बाउंसर की तरह है जो आईडी की इतनी सख्ती से जांच करता है कि केवल वही लोग अंदर आ पाते हैं जो वास्तव में वहां के हकदार हैं।

चरण 2: "स्मार्ट सहायक" (CIGP)

रूपक: अब जब आपके पास कुछ वैध लेगो संरचनाएं हैं, तो आपको उन्हें और बेहतर (fine-tune) बनाने की आवश्यकता है। शायद टावर थोड़ा टेढ़ा है, या रंग थोड़े गलत हैं।
यह कैसे काम करता है: यह चरण केमिकल-इन्फॉर्म्ड गॉसियन प्रोसेस (CIGP) का उपयोग करता है। एक GPS मैप की कल्पना करें।
- भौतिक मॉडल (Physical Model) (रसायन विज्ञान के नियम) मैप पर "हाईवे" की तरह है। यह आपको बताता है कि आपको सामान्यतः किस दिशा में जाना चाहिए।
- गॉसियन प्रोसेस (Gaussian Process) "ट्रैफिक रिपोर्ट" की तरह है। यह बिखरे हुए वास्तविक दुनिया के डेटा को देखता है और कहता है, "हे, हाईवे कहता है कि आपको यहाँ होना चाहिए, लेकिन वास्तविक ट्रैफिक (डेटा) थोड़ा अलग है। चलिए इसके लिए थोड़ा एडजस्ट करते हैं।"
लाभ: शुरुआत से ही पूरा रास्ता गेस करने के बजाय (जो धीमा और त्रुटिपूर्ण है), सहायक ज्ञात हाईवे से शुरू होता है और केवल उन छोटे, बिखरे हुए हिस्सों को ठीक करता है। यह गणित को बहुत अधिक स्थिर और सटीक बनाता है।

"एक्टिव लर्निंग" विशेषता: अगला सुराग चुनना

एक बार जब टीम के पास एक मॉडल हो जाता है, तो उन्हें बेहतर डेटा प्राप्त करने के लिए और प्रयोग करने की आवश्यकता होती है। लेकिन प्रयोग महंगे और समय लेने वाले होते हैं।

पुराना तरीका: प्रयोगों को रैंडमली चुनना या बस उच्चतम उपज (yield) की तलाश करना (जैसे आंखों पर पट्टी बांधकर तीर चलाना)।
नया तरीका: सिस्टम फिजिक्स-अवेयर एक्विजिशन (Physics-Aware Acquisition) का उपयोग करता है। यह पूछता है: "हमें सबसे अधिक सीखने के लिए अगली बार कहाँ देखना चाहिए?"
- यह उन "डेड ज़ोन" से बचता है जहाँ भौतिकी कहती है कि कुछ भी नहीं हो सकता (जैसे परम शून्य तापमान पर केक पकाने की कोशिश करना)।
- यह उन क्षेत्रों को लक्षित करता है जहाँ मॉडल भ्रमित है या जहाँ रासायनिक संवेदनशीलता (sensitivity) सबसे अधिक है।
- उपमा: यदि आप थर्मामीटर के साथ कमरे में सबसे गर्म स्थान खोजने की कोशिश कर रहे हैं, तो एक रैंडम सर्च हर जगह भटकता है। यह नया तरीका हवा के प्रवाह (physics) को देखता है और केवल उन्हीं जगहों की जांच करता है जहाँ गर्मी के बदलने की संभावना अधिक है, जिससे आपका समय और प्रयास बचता है।

उन्होंने क्या सिद्ध किया?

टीम ने इसे दो वास्तविक दुनिया के परिदृश्यों पर परखा:

हाइड्रोजन-ब्रोमीन टेस्ट (एक "कठिन" पहेली):
- उन्होंने एक रेडिकल चेन रिएक्शन के सटीक चरणों को खोजने की कोशिश की।
- परिणाम: उनके तरीके ने सही रासायनिक चरणों की पहचान की और एक "नकली" समाधान को खारिज कर दिया जो गणितीय रूप से अच्छा दिख रहा था लेकिन भौतिक रूप से असंभव था। अन्य तरीकों (जैसे मानक गणितीय रिग्रेशन) ने विफल होकर बेतुके परिणाम दिए जो कंप्यूटर के गणित को ही तोड़ देते।
स्टाइरीन एपॉक्सिडेशन टेस्ट (एक "ऑप्टिमाइजेशन" पहेली):
- उन्होंने एक रासायनिक उत्पाद की उपज (yield) को अधिकतम करने की कोशिश की।
- परिणाम: उनके तरीके ने मानक तरीकों की तुलना में 12.5% तेजी से एक बेहतर समाधान खोजा। महत्वपूर्ण रूप से, इसने ऐसे "बुरे" प्रयोगों का सुझाव देने से परहेज किया जो संसाधनों को बर्बाद कर देते (जैसे ऐसी स्थितियां सुझाना जो लगभग कोई उत्पाद नहीं बनातीं)।

सारांश

सरल शब्दों में, यह शोध पत्र रासायनिक प्रतिक्रियाओं की खोज करने का एक नया तरीका प्रस्तुत करता है जो:

भौतिकी के नियमों का सम्मान करता है: यह उन समाधानों पर विचार करने से इनकार करता है जो बुनियादी नियमों (जैसे द्रव्यमान संरक्षण) को तोड़ते हैं।
सिद्धांत और डेटा को जोड़ता है: यह ज्ञात रसायन विज्ञान को एक आधार के रूप में उपयोग करता है और डेटा का उपयोग केवल सूक्ष्म विवरणों को ठीक करने के लिए करता है।
समय और पैसा बचाता है: यह बुद्धिमानी से चुनता है कि अगला प्रयोग कौन सा किया जाए, जिससे गलत रास्तों से बचा जा सके और बेहतर परिणाम तेजी से मिल सकें।

यह केवल एक नया गणितीय चमत्कार नहीं है; यह एक ऐसा वर्कफ़्लो है जो कंप्यूटर को एक रसायन शास्त्री की तरह सोचने के लिए मजबूर करता है, यह सुनिश्चित करता है कि जो उत्तर वे खोजते हैं वे केवल ग्राफ पर फिट होने वाले नंबर नहीं हैं, बल्कि वास्तविक, भौतिक सत्य हैं।

तकनीकी सारांश: भौतिक रूप से बाधित MCMC और रासायनिक-सूचित गाऊसी प्रक्रियाओं का समन्वय (Synergizing Physically Constrained MCMC and Chemical-Informed Gaussian Processes for Reaction Network Discovery)

1. समस्या विवरण (Problem Statement)

विरल (sparse), शोर युक्त (noisy) रासायनिक समय-श्रृंखला डेटा से शासी समीकरणों (governing equations) की खोज करना वैज्ञानिक मशीन लर्निंग में एक मौलिक चुनौती बनी हुई है। रासायनिक गतिकी (chemical kinetics) में, प्राथमिक उद्देश्य संरचना पहचान (structure identification) है: उस विविक्त प्रतिक्रिया टोपोलॉजी (discrete reaction topology) का पुनर्निर्माण करना जो प्रणाली के विकास को नियंत्रित करती है, ताकि एक भौतिक रूप से व्याख्या योग्य कारण ग्राफ (causal graph) प्राप्त किया जा सके।

यह समस्या एक दुर्बल रूप से सुनिर्धारित (ill-posed) व्युत्क्रम समस्या (inverse problem) के रूप में गणितीय रूप से तैयार की गई है, जो विविक्त संरचनाओं (discrete structures - प्रतिक्रिया टोपोलॉजी) और निरंतर गतिज स्थिरांकों (continuous kinetic constants) के बीच मजबूत युग्मन (coupling) द्वारा विशेषता रखती है। पारंपरिक दृष्टिकोण महत्वपूर्ण सीमाओं का सामना करते हैं:

ब्लैक-बॉक्स इंटरपोलेशन (Black-box interpolation): डीप लर्निंग प्रतिमान अक्सर सटीकता के लिए व्याख्यात्मकता (interpretability) का त्याग कर देते हैं।
घटनात्मक अति-अनुकूलन (Phenomenological overfitting): सिम्बोलिक रिग्रेशन और स्पार्स आइडेंटिफिकेशन (जैसे, SINDy, PySR) सटीक मैक्रोस्कोपिक दर नियमों को पुनः प्राप्त कर सकते हैं, लेकिन वे अंतर्निहित प्राथमिक प्रतिक्रिया चरणों और छिपे हुए मध्यवर्ती (intermediates) को पहचानने में विफल रहते हैं।
भौतिक अमान्यता (Physical invalidity): मानक बेयसियन अनुमान और पैरामीटर अनुमान तकनीकें अक्सर स्पष्ट भौतिक कोडिंग की कमी रखती हैं, जिससे गणितीय रूप से वैध लेकिन भौतिक रूप से प्रतिबंधित समाधान (जैसे, द्रव्यमान संरक्षण या ऊष्मागतिक स्थिरता का उल्लंघन) प्राप्त होते हैं।
संयोजन विस्फोट (Combinatorial explosion): संरचना नमूनाकरण (structure sampling) अक्सर विशाल संयोजनात्मक स्थानों और अपर्याप्त बाधाओं के कारण बाधित होता है।

2. कार्यप्रणाली: PC-MCMC-CIGP ढांचा (Methodology: The PC-MCMC-CIGP Framework)

लेखक एक PC-MCMC-CIGP प्रस्तावित करते हैं, जो एक पुनरुत्पादक ग्रे-बॉक्स वर्कफ़्लो है जो सख्त भौतिक बाधाओं के तहत विविक्त टोपोलॉजी नमूनाकरण को निरंतर पैरामीटर अंशांकन (calibration) के साथ एकीकृत करता है। यह ढांचा दो सहक्रियात्मक चरणों में कार्य करता है:

चरण 1: भौतिक रूप से बाधित टोपोलॉजी खोज (PC-MCMC)

संरचनात्मक पहचान को संबोधित करने के लिए, लेखक एक स्पाइक-एंड-स्लैब मार्कोव चेन मोंटे कार्लो (Spike-and-Slab MCMC) सैंपलर का उपयोग करके एक भौतिक रूप से स्वीकार्य मैनिफोल्ड पर बेयसियन वेरिएबल चयन समस्या को तैयार करते हैं।

बाइनरी लेटेंट वेरिएबल्स (Binary Latent Variables): प्रत्येक संभावित प्रतिक्रिया $R_j$ का अस्तित्व एक बाइनरी वेरिएबल $\gamma_j \in \{0, 1\}$ द्वारा नियंत्रित होता है।
प्रभावी दर सूत्र (Effective Rate Formulation): प्रभावी दर स्थिरांक को $k^{eff}_j = \gamma_j \cdot \exp(\theta_j)$ के रूप में परिभाषित किया गया है। यह सुनिश्चित करता है कि यदि कोई प्रतिक्रिया निष्क्रिय ( $\gamma_j=0$ ) कर दी जाती है, तो विभेदक समीकरणों में उसका योगदान ठीक शून्य हो जाता है।
स्पाइक-एंड-स्लैब प्रायर (Spike-and-Slab Prior): सख्त स्पर्सिटी (sparsity) उत्पन्न करने के लिए एक सहायक पैरामीटर $\theta_j$ पर एक प्रायर लगाया जाता है। "स्पाइक" घटक निष्क्रिय पथों को प्रतिबंधित करता है, जबकि "स्लैब" सक्रिय प्रतिक्रियाओं के लिए अनिश्चितता को कैप्चर करता है।
कठोर भौतिक बाधाएं (Hard Physical Constraints): स्पूरियस (spurious) तंत्रों को हटाने और प्रून करने के लिए, तीन वर्गों के बाधाओं को रिजेक्शन सैंपलिंग के माध्यम से लागू किया जाता है:
1. द्रव्यमान और इलेक्ट्रॉन संरक्षण: यह सुनिश्चित करना कि $A \cdot S_{\cdot j} = 0$ (परमाणु और आवेश संतुलन)।
2. ऊष्मागतिक स्थिरता (Thermodynamic Consistency): लैटेंट रासायनिक विभव (latent chemical potentials) के माध्यम से फॉरवर्ड-रिवर्स पेयर्स के लिए विस्तृत संतुलन (detailed balance) को लागू करना।
3. दर सीमाएं (Rate Bounds): उन मूव्स को अस्वीकार करना जो भौतिक सीमाओं का उल्लंघन करते हैं।

चरण 2: रासायनिक-सूचित गाऊसी प्रक्रिया (CIGP) अंशांकन

एक बार भौतिक रूप से स्वीकार्य टोपोलॉजी की पहचान होने के बाद, पैरामीटर अंशांकन और सक्रिय शिक्षण (active learning) के लिए एक केमिकल-इन्फॉर्म्ड गाऊसी प्रोसेस (CIGP) का उपयोग किया जाता है।

हाइब्रिड ग्रे-बॉक्स मॉडल: अवलोकन मॉडल सिस्टम रिस्पॉन्स को एक यांत्रिक घटक (mechanistic component) और एक संरचनात्मक विसंगति पद (structural discrepancy term) में विभाजित करता है:
$y(u) = f_{phys}(u; W) + g_{err}(u) + \epsilon$
यहाँ, $f_{phys}$ इन्फर्ड टोपोलॉजी द्वारा परिभाषित ODE सिस्टम का समाधान है (जो GP मीन फंक्शन के रूप में कार्य करता है), और $g_{err}$ एक नॉन-पैरामीट्रिक GP कर्नेल है जो व्यवस्थित विसंगतियों को मॉडल करता है।
संयुक्त अनुकूलन (Joint Optimization): भौतिक पैरामीटर ( $W$ ) और GP हाइपरपैरामीटर ( $\Theta_{gp}$ ) को संयुक्त रूप से अनुकूलित किया जाता है। यह सुनिश्चित करने के लिए कि GP केवल उन महत्वपूर्ण अवशेषों (residuals) को कैप्चर करे जो भौतिक तंत्र द्वारा स्पष्ट नहीं किए गए हैं, एक सॉफ्ट स्पर्सिटी पेनल्टी ( $\lambda \sigma^2_f$ ) और हार्ड सेफ्टी बाउंड्स ( $\epsilon_{tol}$ ) लागू किए जाते हैं।
भौतिकी-जागरूक अधिग्रहण फलन (Physics-Aware Acquisition Functions): प्रयोगात्मक डिजाइन को निर्देशित करने के लिए, ढांचा विशिष्ट अधिग्रहण रणनीतियों का उपयोग करता है:
- एक्सपेक्टेड इम्प्रूवमेंट (EI): यील्ड मैक्सिमाइजेशन के लिए बेसलाइन।
- ग्रेडिएंट-वेटेड अनसर्टेन्टी (GWU): उच्च भौतिक संवेदनशीलता वाले क्षेत्रों को लक्षित करता है।
- डिस्क्रिपेंसी हंटर (DH): महत्वपूर्ण संरचनात्मक मॉडल मिसमैच वाले क्षेत्रों को लक्षित करता है।
- फिजिकली कंस्ट्रेंड EI (PC-EI): मानक EI को एक सॉफ्ट फजीबिलिटी गेट के साथ मॉड्युलेट करता है ताकि ऑप्टिमाइज़र को अभौतिक स्थितियों (जैसे, नकारात्मक सांद्रता) को सुझाने से रोका जा सके।

3. मुख्य योगदान (Key Contributions)

लेखक तीन प्राथमिक योगदानों का दावा करते हैं:

फिक्स्ड-डायमेंशनल स्पाइक-एंड-स्लैब MCMC वर्कफ़्लो: एक उम्मीदवार प्रतिक्रिया चयन के लिए एक फॉर्मूलेशन जो भौतिक वैधता सुनिश्चित करने के लिए मास, चार्ज और डिटेल्ड-बैलेंस बाधाओं को हार्ड एडमिसिबिलिटी चेक के रूप में उपयोग करता है।
CIGP अंशांकन चरण: एक ग्रे-बॉक्स रेसिडुअल मॉडलिंग दृष्टिकोण जो भौतिक तंत्र द्वारा स्पष्ट नहीं किए गए व्यवस्थित विसंगतियों को मॉडल करते हुए, प्रायर मीन के रूप में मैकेनिस्टिक ODE को सुरक्षित रखता है।
पुनरुत्पादक सक्रिय-शिक्षण बेंचमार्क: विभिन्न अधिग्रहण फलनों (PC-EI, EI, GWU, DH, अनसर्टेन्टी सैंपलिंग, रैंडम सर्च) का एक व्यापक मूल्यांकन जिसमें 10-सीड तुलना शामिल है।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का मूल्यांकन दो बेंचमार्क पर किया गया: हाइड्रोजन-ब्रोमीन ( $H_2 + Br_2$ ) रेडिकल चेन सिस्टम और स्टाइरीन एपोक्सीडेशन (Styrene Epoxidation)।

तंत्र खोज ( $H_2 + Br_2$ )

संरचनात्मक पहचान योग्यता (Structural Identifiability): PC-MCMC सैंपलर ने भ्रामक घटनात्मक फिट (phenomenological fits) से प्राथमिक रेडिकल पथों को सफलतापूर्वक अलग किया। इसने वास्तविक चरणों (शुरुआत, प्रसार, समाप्ति) के लिए उच्च पोस्टीरियर इंक्लूजन प्रोबेबिलिटी (PIP) प्राप्त की, जबकि किनेटिक रूप से प्रतिबंधित प्रत्यक्ष आणविक टक्कर पथ ( $H_2 + Br_2 \to 2HBr$ ) को PIP < 0.01 के साथ खारिज कर दिया।
बेसलाइन के साथ तुलना:
- SINDy: अनकन्स्ट्रेंड स्पार्स रिग्रेशन विफल रहा, जिसने फ्रैक्शनल टर्म्स और नेगेटिव कोएफिशिएंट्स वाले दुर्बल मॉडलों को प्राप्त किया, जिससे तत्काल संख्यात्मक विचलन (numerical divergence) हुआ।
- PySR: इसने मैक्रोस्कोपिक रेट लॉ को सफलतापूर्वक प्राप्त किया लेकिन अंतर्निहित रेडिकल टोपोलॉजी को खोजने में विफल रहा, जो पूरी तरह से घटनात्मक बना रहा।
- PC-MCMC: इसने ब्रोमीन डिसोसिएशन के क्वैसी-इक्विलिब्रियम के माध्यम से व्यवहार को पुनर्गठित किया, जिससे मास एक्शन के नियम के अनुरूप एक भौतिक रूप से व्याख्या योग्य व्युत्पत्ति प्राप्त हुई।

अनुकूलन और अंशांकन (Styrene Epoxidation)

दक्षता: PC-EI के साथ CIGP फ्रेमवर्क ने मानक बेयियन ऑप्टिमाइजेशन (GP-BO) की तुलना में अभिसरण (convergence) में 3.75× त्वरण प्राप्त किया।
प्रदर्शन: अंतिम यील्ड ने रिपोर्ट की गई GP-BO बेसलाइन (0.7788 M) की तुलना में 12.5% का सुधार दिखाया (0.6925 M बनाम 0.7788 M)।
सुरक्षा: PC-EI रणनीति ने संचयी रिग्रेट (cumulative regret) को 74% कम किया और अनुकूलन चरण के दौरान कम-यील्ड बाधाओं (0.2 M से नीचे) के शून्य उल्लंघन दर्ज किए, जबकि GP-BO बेसलाइन में चार गंभीर उल्लंघन हुए।
पैरामीटर सटीकता: ढांचे ने रिएक्शन ऑर्डर (इकाई) और एक्टिवेशन एनर्जी को क्रमशः 4.38% और 6.05% के सापेक्ष त्रुटि के साथ सटीक रूप से पहचाना।

एब्लेशन अध्ययन (Ablation Studies)

स्पर्सिटी (Sparsity): स्पाइक-एंड-स्लैब प्रायर को हटाने (गाऊसी से बदलने) से स्ट्रक्चरल F1 स्कोर 1.0 से घटकर 0.73 रह गया, जिससे सघन (dense), ओवरफिटेड टोपोलॉजी प्राप्त हुई।
भौतिकी (Physics): ऊष्मागतिक बाधाओं को हटाने से स्ट्रक्चरल F1 स्कोर 0.50 तक गिर गया और भौतिक वैधता समाप्त हो गई, जिससे माइक्रोस्कोपिक रिवर्सेबिलिटी का उल्लंघन हुआ और दर स्थिरांकों का अत्यधिक आकलन हुआ।

5. महत्व और दावे (Significance and Claims)

लेखक इस कार्य को अकेले एक मौलिक रूप से नए MCMC या गाऊसी प्रक्रिया परिवार के रूप में नहीं, बल्कि एक एकीकृत, भौतिक रूप से बाधित वर्कफ़्लो के रूप में प्रस्तुत करते हैं जो भौतिक मैनिफोल्ड पर विविक्त नमूनाकरण को रासायनिक रूप से सूचित निरंतर मॉडलिंग के साथ जोड़ता है।

व्याख्यात्मकता (Interpretability): विधि केवल घटनात्मक सहसंबंधों को फिट करने के बजाय कारण सूक्ष्म-गतिक तंत्रों (micro-kinetic mechanisms) को सफलतापूर्वक पुनः प्राप्त करती है।
मजबूती (Robustness): भौतिक नियमों (द्रव्यमान संरक्षण, ऊष्मागतिकी) को कठोर बाधाओं के रूप में एनकोड करके, विधि गणितीय रूप से वैध लेकिन भौतिक रूप से असंभव समाधानों को खोजने से रोकती है।
दक्षता (Efficiency): अधिग्रहण फलन (PC-EI) में भौतिकी का एकीकरण प्रयोगात्मक स्थितियों के अभौतिक या कम-यील्ड वाले क्षेत्रों को खोजने के जोखिम को काफी कम करता है, जिससे यह वर्कफ़्लो संसाधन-सीमित औद्योगिक अनुकूलन के लिए उपयुक्त बन जाता है।

लेख निष्कर्ष निकालता है कि खोजे गए रासायनिक तंत्रों की व्याख्यात्मकता, संख्यात्मक स्थिरता और एक्सट्रैपोलेटिव वैधता सुनिश्चित करने के लिए भौतिक बाधाओं का स्पष्ट प्रवर्तन अपरिहार्य है।