Mapping Order in Semicrystalline Polymers using Machine Learning of Nanobeam Electron Diffraction
यह शोध पत्र प्रदर्शित करता है कि सिंथेटिक डेटा पर प्रशिक्षित एक मशीन लर्निंग मॉडल शोरयुक्त नैनोबिम इलेक्ट्रॉन विवर्तन (nanobeam electron diffraction) डेटासेट में पॉलीमर विवर्तन शिखरों (polymer diffraction peaks) का तेजी से और सटीक रूप से पता लगा सकता है, जो पारंपरिक सह-संबंध एल्गोरिदम (correlative algorithms) की तुलना में काफी बेहतर प्रदर्शन करते हुए सेमीक्रिस्टलाइन ऑर्गेनिक मिक्स्ड आयनिक इलेक्ट्रॉनिक कंडक्टर्स में संरचना-गुण संबंधों के निकट-लाइव विज़ुअलाइज़ेशन को सक्षम बनाता 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 यह समझने की कोशिश कर रहे हैं कि एक शहर कैसे बना है, लेकिन हेलीकॉप्टर से सड़कों को देखने के बजाय, आप ज़मीन पर खड़े होकर एक टॉर्च के साथ इमारतों द्वारा बनाई गई छायाओं को देखकर उसके लेआउट को समझने की कोशिश कर रहे हैं। यह वह चुनौती है जिसका सामना वैज्ञानिक "ऑर्गेनिक मिक्स्ड आयनिक इलेक्ट्रॉनिक कंडक्टर्स" (OMIECs) नामक एक विशेष वर्ग के पदार्थों का अध्ययन करते समय करते हैं। ये खिंचाव वाले, प्लास्टिक जैसे पदार्थ हैं जो बिजली और आयनों (आवेशित परमाणुओं) दोनों का संचालन कर सकते हैं, जो उन्हें मस्तिष्क जैसी कंप्यूटर, सुपर-कुशल इलेक्ट्रॉनिक्स, और यहाँ तक कि हमारे शरीर के साथ संवाद करने वाले बायो-इलेक्ट्रॉनिक उपकरणों को बनाने के लिए भी उपयुक्त बनाते हैं।
यह समझने के लिए कि ये सामग्रियां कितनी अच्छी तरह काम करती हैं, वैज्ञानिकों को उनकी सूक्ष्म आंतरिक संरचना, विशेष रूप से लंबी पॉलीमर श्रृंखलाएं (polymer chains) कैसे व्यवस्थित हैं, इसे देखने की आवश्यकता होती है। वे एक शक्तिशाली उपकरण, ट्रांसमिशन इलेक्ट्रॉन माइक्रोस्कोप (TEM) का उपयोग करते हैं, जो सामग्री पर इलेक्ट्रॉनों की एक बीम छोड़ता है। जब ये इलेक्ट्रॉन सामग्री से टकराते हैं, तो वे विशिष्ट पैटर्न में वापस उछलते हैं, जिससे सामग्री की संरचना का एक "डिफ्रैक्शन पैटर्न" बनता है जो एक फिंगरप्रिंट की तरह कार्य करता है। हालाँकि, ये सामग्रियां नाजुक होती हैं; इलेक्ट्रॉन बीम उन्हें जला सकती है, इसलिए वैज्ञानिकों को बहुत कमजोर बीम का उपयोग करना पड़ता है। इसके परिणामस्वरूप प्राप्त चित्र अविश्वसनीय रूप से शोर वाले (noisy) होते हैं, जैसे तूफान के बीच किसी फुसफुसाहट को सुनने की कोशिश करना। वर्षों तक, इन शोर वाले फिंगरप्रिंट्स को पढ़ने के लिए उपयोग किए जाने वाले कंप्यूटर प्रोग्राम पुराने, कठोर टेम्प्लेट की तरह थे: वे केवल पूर्ण, स्पष्ट आकृतियों को ही खोज सकते थे और अक्सर उन बिखरे हुए, धुंधले या टूटे हुए पैटर्न को मिस कर देते थे जो वास्तविक पॉलिमर बनाते हैं।
यह शोध पत्र एक चतुर नया समाधान पेश करता है: एक मशीन लर्निंग मॉडल जिसे इन शोर वाले फिंगरप्रिंट्स के लिए एक सुपर-स्मार्ट जासूस बनने के लिए प्रशिक्षित किया गया है। एक कठोर टेम्प्लेट का उपयोग करने के बजाय, शोधकर्ताओं ने एक कंप्यूटर प्रोग्राम (विशेष रूप से एक "U-Net" आर्किटेक्चर) को इन पॉलिमर में पाए जाने वाले विभिन्न प्रकार के पैटर्न को पहचानने के लिए प्रशिक्षित किया, पहले उसे 5,00,000 नकली, शोर वाले चित्र दिखाकर। उन्होंने इन नकली छवियों को बिल्कुल वास्तविक चीज़ जैसा दिखने के लिए बनाया, जिसमें तीन मुख्य प्रकार के संरचनात्मक संकेत शामिल थे: तीखे धब्बों के जोड़े (लैमेलर स्टैकिंग), घुमावदार चाप (बैकबोन पीरियडिसिटी), और धुंधले, फैले हुए धब्बे (π-π स्टैकिंग)।
परिणाम दर्शाते हैं कि यह नया AI जासूस पुराने तरीकों की तुलना में काफी बेहतर है। ऑक्सीडाइज्ड p(g3T2) नामक सामग्री के वास्तविक डेटा पर परीक्षण करते समय, मशीन लर्निंग मॉडल ने पारंपरिक "कोरिलेटिव" एल्गोरिदम की तुलना में बहुत अधिक संरचनात्मक विवरण खोजे। उदाहरण के लिए, इसने 84.90% स्कैन किए गए स्पॉट्स में लैमेलर पीक्स का पता लगाया, जबकि पुराने तरीके ने उन्हें केवल 23.57% में पाया। इसने 95.81% धुंधले π-π पीक्स को खोजा, जबकि पुराने तरीके के लिए यह आंकड़ा केवल 60.05% था। शायद सबसे प्रभावशाली बात यह है कि इस AI ने यह काम लगभग 5.5 गुना तेज़ी से किया, पारंपरिक तरीके के 18 मिनट से अधिक के मुकाबले केवल 3 मिनट 20 सेकंड में डेटा को प्रोसेस कर लिया।
यह शोध पत्र यह भी प्रकट करता है कि पुराने तरीके अक्सर "धुंधले" या "टूटे हुए" पैटर्न को मिस कर देते थे जो वास्तव में वहां मौजूद होते हैं, जिससे वैज्ञानिक यह सोचने लगते थे कि सामग्री वास्तव में जितनी व्यवस्थित है उससे कम व्यवस्थित है। नए AI का उपयोग करके, शोधकर्ता सामग्री के आंतरिक ओरिएंटेशन के बहुत अधिक निरंतर और पूर्ण मानचित्र खींचने में सक्षम हुए, जो यह दर्शाता है कि संरचना अक्सर पहले की तुलना में अधिक जुड़ी हुई और समान है। हालांकि मॉडल अभी भी अत्यंत धुंधले संकेतों या कुछ विशिष्ट एज केस (जैसे कि कुछ हार्मोनिक पैटर्न) के साथ संघर्ष करता है, फिर भी यह एक बड़ी प्रगति का प्रतिनिधित्व करता है। यह वैज्ञानिकों को इन जटिल, बिखरे हुए सामग्रियों में छिपे क्रम को अधिक गति और सटीकता के साथ देखने की अनुमति देता है, जो भविष्य के इलेक्ट्रॉनिक्स के लिए बेहतर सामग्रियां डिजाइन करने के द्वार खोल सकता है।
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।