Symbolic Predicate-Guided Language Agents for Inverse Design of Perovskite Oxides
यह शोध पत्र ORCHESTRA को प्रस्तुत करता है, जो एक मल्टी-एजेंट फ्रेमवर्क है जो प्राकृतिक भाषा के नियमों को एक डोमेन-विशिष्ट भाषा के भीतर प्रतीकात्मक विधेयकों (symbolic predicates) में अनुवादित करके पेरोव्स्काइट ऑक्साइड के व्युत्क्रम डिजाइन (inverse design) के लिए लार्ज लैंग्वेज मॉडल्स को उन्नत करता है, जिससे कार्य-विशिष्ट डेटासेट या मॉडल पुनरप्रशिक्षण की आवश्यकता के बिना डिजाइन सिद्धांतों के सांख्यिकीय सत्यापन और पुनरावृत्ति परिशोधन को सक्षम बनाया जा सके।
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 नया व्यंजन बनाने की कोशिश कर रहे हैं जिसका स्वाद एकदम सटीक हो, लेकिन आपके पास कोई रेसिपी बुक नहीं है। अंदाजे लगाने के बजाय, आपके पास एक सुपर-स्मार्ट AI असिस्टेंट है जो खाना पकाने के बारे में थोड़ा बहुत जानता है लेकिन कभी-कभी अपनी बातें खुद ही बना लेता है। यह मटेरियल्स साइंस (पदार्थ विज्ञान) की दुनिया है, जहाँ वैज्ञानिक नए पदार्थों (जैसे कि सुपर-स्ट्रॉन्ग मेटल्स या बेहतर बैटरियां) को खोजने के लिए उल्टा काम करते हैं: वे यह पूछने के बजाय कि "यह पदार्थ क्या करता है?", पूछते हैं कि "मुझे इस विशिष्ट चीज़ को बनाने के लिए किस पदार्थ की आवश्यकता है?"
इसे करने के लिए, वैज्ञानिक अक्सर लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करते हैं। इन्हें ऐसे AI असिस्टेंट के रूप में समझें जिन्होंने लगभग हर केमिस्ट्री की किताब पढ़ ली है। वे इस बात का अनुमान लगाने में माहिर हैं कि कौन से घटक (ingredients) एक साथ काम कर सकते हैं। हालाँकि, इन AI शेफों में एक दोष है: वे पूरे आत्मविश्वास के साथ गलत हो सकते हैं। वे ऐसी रेसिपी सुझा सकते हैं जो सुनने में तो स्वादिष्ट लगती है, लेकिन वास्तव में बनाना असंभव है। इस समस्या को ठीक करने के लिए, शोधकर्ता इन AI शेफों को अपने काम की जांच करने का एक तरीका देने की कोशिश कर रहे हैं, जिससे उनके जंगली अनुमान वास्तविक डेटा के आधार पर परीक्षित तथ्यों में बदल सकें। यह पेपर एक स्मार्ट किचन बनाने के बारे में है जहाँ AI केवल रेसिपी के बारे में बात नहीं करता, बल्कि वास्तविक कुकिंग परिणामों के डेटाबेस के विरुद्ध उन्हें टेस्ट भी करता है।
समस्या: वह AI शेफ जो मतिभ्रम (Hallucinate) करता है
अतीत में, वैज्ञानिकों ने सर्वश्रेष्ठ पदार्थों को खोजने के लिए लाखों सामग्रियों का सिमुलेशन करने के लिए कंप्यूटर का उपयोग किया। लेकिन इसमें बहुत समय लगता है और भारी मात्रा में डेटा की आवश्यकता होती है। हाल ही में, लोगों ने नए पदार्थों की कल्पना करने के लिए AI लैंग्वेज मॉडल्स का उपयोग करना शुरू कर दिया है। ये AI एजेंट चतुर हैं; वे अपने तर्क को समझा सकते हैं और परमाणुओं के नए संयोजन सुझा सकते हैं।
हालाँकि, एक पेंच है। क्योंकि ये AI मॉडल टेक्स्ट पर प्रशिक्षित होते हैं, वे कभी-कभी "हैलुसिनेट" (मतिभ्रम) करते हैं। वे कह सकते हैं, "यदि आप तत्व X को तत्व Y के साथ मिलाते हैं, तो आपको एक सुपर-कैटलिस्ट मिलेगा!" और यह पूरी तरह से तार्किक लगता है। लेकिन यदि आप वास्तव में इसे बनाने की कोशिश करते हैं, तो यह विफल हो सकता है। AI आत्मविश्वासी है, लेकिन वह गलत है। इसे ठीक करने के पिछले प्रयासों में कई AI एजेंटों को आपस में बहस करने के लिए कहा गया था, लेकिन यदि वे सभी एक ही गलत तर्क साझा करते हैं, तो वे बस गोल-गोल बहस करते रह जाते हैं।
समाधान: ORCHESTRA और "जादुई अनुवादक"
इस पेपर के लेखकों ने, जिनका नेतृत्व डोंग ह्यून मोक और सहयोगियों ने किया, ORCHESTRA (ऑपरेशनल रूल-ग्राउंडेड केमिकल सर्च थ्रू रीजनिंग एजेंट्स) नामक एक नया सिस्टम बनाया है। ORCHESTRA को चार विशेष रोबोटों वाले एक किचन के रूप में समझें जो मिलकर काम कर रहे हैं:
- द डिज़ाइनर (The Designer): यह रोबोट जो उसे पता है और जो पहले सफल रहा है, उसके आधार पर नए मटेरियल रेसिपी सुझाता है।
- द टेस्टर (The Tester): यह रोबोट यह देखने के लिए एक तेज़ कंप्यूटर सिमुलेशन ("सरेगेट मॉडल") का उपयोग करता है कि नई रेसिपी वास्तव में काम करती है या नहीं।
- द इंटरप्रेटर (The Interpreter): यह रोबोट टेस्ट के परिणामों को देखता है और यह लिखने की कोशिश करता है कि कोई चीज़ क्यों सफल हुई (इसके "नियम")।
- द क्यूरेटर (The Curator): यह रोबोट बॉस है। यह तय करता है कि कौन से नियम असली हैं और कौन से नकली।
ORCHESTRA का गुप्त मंत्र एक डोमेन-स्पेसिफिक लैंग्वेज (DSL) है। आमतौर पर, जब इंटरप्रेटर रोबोट एक नियम लिखता है, तो वह इसे साधारण अंग्रेजी में लिखता है, जैसे "B-साइट पर कोबाल्ट का उपयोग करें।" समस्या यह है कि अंग्रेजी अस्पष्ट है। DSL एक जादुई अनुवादक की तरह कार्य करता है। यह AI को मजबूर करता है कि वह अपने अंग्रेजी वाक्य को एक सख्त, गणितीय कोड में अनुवाद करे जिसे हजारों वास्तविक सामग्रियों के डेटाबेस के विरुद्ध तुरंत जांचा जा सके।
केवल यह कहने के बजाय कि, "मुझे लगता है कि कोबाल्ट अच्छा है," AI को एक कोड लिखना होगा जो कहता है, "हमारे डेटाबेस में गिनें कि कितने मटेरियल्स में कोबाल्ट यहाँ है, और उनमें से कितने प्रतिशत वास्तव में सफल रहे।" यह एक अस्पष्ट अनुमान को एक ठोस तथ्य में बदल देता है। यदि कोड दिखाता है कि 100 में से केवल 1 मटेरियल जिसमें कोबाल्ट था, सफल हुआ, तो क्यूरेटर रोबोट जानता है कि उस नियम को कचरे में फेंक देना है।
प्रयोग: डबल पेरोव्स्काइट्स के साथ कुकिंग
इस सिस्टम का परीक्षण करने के लिए, वैज्ञानिकों ने AI को डबल पेरोव्स्काइट ऑक्साइड्स डिजाइन करने के लिए कहा। ये एक विशिष्ट प्रकार की क्रिस्टल संरचना (जैसे एक बहुत ही व्यवस्थित लेगो टावर) हैं जिनका उपयोग फ्यूल सेल्स और सोलर पैनलों जैसी चीजों में किया जाता है। उन्होंने AI को दो मुख्य चुनौतियाँ दीं:
- आसान चुनौती: एक विशिष्ट "बैंड गैप" (बिजली का संचालन कैसे होता है) और "फॉर्मेशन एनर्जी" (वे कितने स्थिर हैं) वाले पदार्थ खोजें।
- कठिन चुनौती: ऐसे पदार्थ खोजें जो ऑक्सीजन इवोल्यूशन रिएक्शन (OER) के लिए बेहतरीन हों। यह पानी को हाइड्रोजन ईंधन में तोड़ने के लिए आवश्यक एक जटिल रासायनिक प्रक्रिया है। यह कठिन है क्योंकि यह केवल एक नहीं, बल्कि तीन अलग-अलग रासायनिक चरणों पर निर्भर करता है।
उन्होंने चार अलग-अलग तरीकों की तुलना की जिनसे पदार्थ डिजाइन किए जाते हैं:
- रैंडम (Random): जैसे पासा फेंककर सामग्री चुनना।
- बैकग्राउंड (Background): AI को केवल अपने प्रशिक्षण के आधार पर अनुमान लगाने देना, बिना किसी फीडबैक नियमों के।
- रूल-ओनली (Rule-Only): AI को अनुमान लगाने और अंग्रेजी में नियम लिखने देना, लेकिन बिना किसी सख्त गणितीय जांच के।
- DSL-गाइडेड (DSL-Guided): पूरा ORCHESTRA सिस्टम गणितीय अनुवादक के साथ।
परिणाम: गणित अंदाजे से बेहतर है
परिणामों ने दिखाया कि DSL-गाइडेड टीम स्पष्ट विजेता थी, विशेष रूप से कठिन चुनौती के लिए।
- आसान कार्य के लिए (बैंड गैप/ऊर्जा): DSL-गाइडेड AI ने लगभग 68.1% बार सफल पदार्थ खोजे। "रूल-ओनली" AI इसके काफी करीब 64.2% पर था। इसका मतलब है कि सरल समस्याओं के लिए, केवल नियमों के बारे में बात करना भी AI की मदद करता है।
- कठिन कार्य के लिए (OER): DSL-गाइडेड AI ने लगभग 21.3% बार सफल पदार्थ खोजे। अन्य विधियाँ इससे बहुत पीछे रहीं।
गणित के अनुवादक ने इतना बड़ा अंतर क्यों पैदा किया? लेखकों ने पाया कि "रूल-ओनली" AI गलतियाँ करता रहा। वह "लेड (Lead) का उपयोग करें" जैसा नियम सुझाता था, और क्योंकि वह डेटा की गणितीय जांच नहीं कर सकता था, वह उस नियम को तब भी सही मानता रहा जब डेटा ने दिखाया कि वह गलत था। हालाँकि, DSL-गाइडेड सिस्टम तुरंत देख सकता था कि एक नियम का "प्रिसिजन" (शुद्धता) शून्य था (यानी वह गलत था) और उसे तुरंत हटा सकता था।
सिस्टम ने यह भी दिखाया कि यह सीख सकता है। जैसे-जैसे AI अधिक परीक्षण करता गया, इसके नियम बेहतर होते गए। इसके नियमों की "प्रिसिजन" (वे कितनी बार सही होते हैं) बढ़ती गई, और "लिफ्ट" (यह रैंडम अनुमान से कितना बेहतर था) भी बढ़ता गया।
उन्होंने किचन में क्या पाया
जब वैज्ञानिकों ने उन सामग्रियों को देखा जिन्हें DSL-गाइडेड AI ने OER चुनौती के लिए सफलतापूर्वक डिजाइन किया था, तो उन्हें कुछ दिलचस्प मिला: AI ने वास्तविक दुनिया के रसायन विज्ञान के रहस्यों को फिर से खोज लिया था।
- इसने पाया कि B-साइट पर कोबाल्ट आवश्यक है।
- इसने पाया कि पड़ोसी साइट पर रुथेनियम (Ruthenium) या इरिडियम (Iridium) सबसे अच्छा काम करते हैं।
- इसने गौर किया कि A-साइट पर कुछ दुर्लभ पृथ्वी तत्व (जैसे नियोडिमियम (Neodymium) या प्रासियोडिमियम (Praseodymium)) मदद करते हैं।
ये बिल्कुल वही प्रकार के घटक हैं जिनका उपयोग वास्तविक मानव रसायन शास्त्री लैब में करते हैं! AI ने केवल रैंडम नंबर नहीं खोजे; इसने वास्तव में उन रासायनिक पैटर्न को खोजा जो इन सामग्रियों को काम करने के योग्य बनाते हैं।
सीमाएँ: अनुवादक की एक शब्दावली है
पेपर यह भी स्वीकार करता है कि सिस्टम परफेक्ट नहीं है। "जादुई अनुवादक" (DSL) की एक सीमित शब्दावली है। यदि AI सामग्री की सतह के बारे में कुछ बहुत जटिल कहना चाहता था जिसे अनुवादक समझ नहीं सकता था, तो सिस्टम उसकी जांच नहीं कर सका। कुछ मामलों में, "रूल-ओनली" AI वास्तव में थोड़ा बेहतर प्रदर्शन करता था क्योंकि वह अंग्रेजी में अधिक जटिल चीजें कह सकता था, भले ही वह उन्हें गणित से जांच न सके।
लेखक सुझाव देते हैं कि भविष्य में, हमें एक बड़े अनुवादक की आवश्यकता हो सकती है जिसमें अधिक शब्द हों ताकि सभी जटिल रसायन विज्ञान को कवर किया जा सके। लेकिन फिलहाल, उन्होंने साबित कर दिया कि AI को वास्तविक डेटा के विरुद्ध अपने गणित की जांच करने का तरीका देने से वह एक बहुत बेहतर वैज्ञानिक बन जाता है।
मुख्य निष्कर्ष (Takeaway)
यह पेपर सुझाव देता है कि हमें नए पदार्थों की खोज के लिए शुरू से एक नया AI प्रशिक्षित करने की आवश्यकता नहीं है। इसके बजाय, हम एक स्मार्ट, मौजूदा AI को ले सकते हैं और उसे एक "कैलकुलेटर" (DSL) दे सकते हैं ताकि उसके जंगली अनुमान वास्तविकता पर आधारित हों। AI को अपने विचारों को कोड में अनुवाद करने के लिए मजबूर करके, जिसे टेस्ट किया जा सके, हम उसे तथ्य बनाने से रोक सकते हैं और उसे वास्तविक, काम करने वाले पदार्थ तेजी से खोजने में मदद कर सकते हैं। यह एक सपने देखने वाले को एक स्केल और कैलकुलेटर देने जैसा है ताकि उनके सपनों को वास्तव में बनाया 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।