Predicting Activities in Aqueous Electrolyte Solutions with Hybrid Machine Learning
यह शोध पत्र एक हाइब्रिड ब्रोमली-MCM मॉडल प्रस्तुत करता है जो भौतिकी-आधारित ब्रोमली समीकरण को मशीन लर्निंग मैट्रिक्स पूर्णता विधि के साथ जोड़ता है ताकि एक विरल प्रायोगिक डेटासेट से लुप्त मापदंडों का अनुमान लगाकर हजारों अनअध्ययन जलीय इलेक्ट्रोलाइट्स के आयनिक और ऑस्मोटिक गतिविधि गुणांकों की भविष्यवाणी की 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
रसायन विज्ञान की अदृश्य दुनिया की कल्पना एक हलचल भरे, अराजक डांस फ्लोर के रूप में करें। इस नृत्य में, पानी के अणु फर्श हैं, और घुले हुए लवण (साल्ट्स) नर्तक हैं। जब ये लवण घुलते हैं, तो वे धनात्मक आवेशित "कैटायन" और ऋणात्मक आवेशित "एनायन" में विभाजित हो जाते हैं, जो एक-दूसरे के चारों ओर घूमते और चक्कर काटते हैं। लेकिन वे केवल स्वतंत्र रूप से नहीं नाच रहे हैं; वे लगातार एक-दूसरे पर दबाव और खिंचाव डाल रहे हैं, जिससे एक जटिल सामाजिक वातावरण बनता है जो पूरे समूह के व्यवहार को बदल देता है। वैज्ञानिक इस व्यवहार को "एक्टिविटी" (activity) कहते हैं। यह एक फैंसी तरीका है यह वर्णन करने का कि एक घोल में कोई रसायन कितना "प्रभावी" है, जो बैटरी ऊर्जा कैसे संग्रहीत करती है से लेकर हम समुद्री जल को कैसे शुद्ध करते हैं, सब कुछ निर्धारित करता है।
इस नृत्य की भविष्यवाणी करने के लिए, वैज्ञानिक लंबे समय से "मॉडल" नामक नियमपुस्तिकाओं का उपयोग करते आए हैं। ये मॉडल मानचित्रों की तरह हैं जो हमें बताते हैं कि विभिन्न सांद्रता (concentrations) पर आयन कैसे परस्पर क्रिया करेंगे। हालाँकि, पारंपरिक मानचित्रों में एक बड़ी खामी है: वे विशिष्ट नर्तकों के जोड़ों के लिए हाथ से बनाए गए हैं। यदि आप आयनों के एक नए जोड़े के नृत्य के बारे में जानना चाहते हैं, तो आपको इसे प्रयोगशाला में मापना होगा, जो धीमा, महंगा है, और अक्सर हर एक संयोजन के लिए असंभव है। दशकों से, वैज्ञानिक समुदाय इन मानचित्रों को एक-एक करके बनाने में फंसा हुआ है, जिससे बड़े अंतराल रह गए हैं जहाँ हम वास्तव में नियमों को नहीं जानते हैं।
यहीं पर जर्मनी के शोधकर्ताओं की एक टीम एक चतुर नई तकनीक के साथ सामने आती है। उन्होंने पुराने नियमपुस्तिकाओं को फेंका नहीं; इसके बजाय, उन्होंने एक क्लासिक भौतिकी मानचित्र को "मैट्रिक्स कम्प्लीशन" (matrix completion) नामक एक मशीन लर्निंग तकनीक के साथ जोड़ा। इसे एक विशाल सुडोकू पहेली की तरह समझें। एक स्प्रेडशीट की कल्पना करें जहाँ पंक्तियाँ सभी अलग-अलग धनात्मक आयनों को दर्शाती हैं और कॉलम सभी अलग-अलग ऋणात्मक आयनों को दर्शाते हैं। ग्रिड का प्रत्येक वर्ग एक विशिष्ट लवण का प्रतिनिधित्व करता है, और उसके अंदर की संख्या बताती है कि वह लवण कैसे व्यवहार करता है। समस्या यह है कि हमारे पास ग्रिड के केवल एक बहुत छोटे हिस्से के लिए संख्याएँ हैं—ग्रिड का अधिकांश भाग खाली है क्योंकि अभी तक किसी ने उन विशिष्ट संयोजनों को नहीं मापा है।
जेनो रोमेरो, मैक्सिमिलियन कोन्स और फैबियन जिरासेक के नेतृत्व में शोधकर्ताओं ने एक हाइब्रिड मॉडल बनाया जिसे वे "ब्रोमले-MCM" (Bromley-MCM) कहते हैं। उन्होंने स्थापित "ब्रोमले मॉडल" को लिया, जो एक भरोसेमंद भौतिकी-आधारित सूत्र है, और उसे एक कंकाल के रूप में उपयोग किया। फिर, उन्होंने इसमें एक मशीन लर्निंग एल्गोरिदम डाला जो लापता सुडोकू वर्गों को भरने के लिए डिज़ाइन किया गया था। एल्गोरिदम उन कुछ वर्गों के पैटर्न को देखता है जो भरे हुए हैं और उनका उपयोग हजारों खाली वर्गों के लिए संख्याओं का अनुमान लगाने के लिए करता है। यह एक जासूस की तरह है जो, कुछ संकेतों को देखकर कि कुछ विशेष नर्तक कैसे परस्पर क्रिया करते हैं, यह भविष्यवाणी कर सकता है कि दो अजनबी आपस में कैसे नाचेंगे, भले ही उन्होंने उन्हें पहले कभी मिलते न देखा हो।
परिणाम प्रभावशाली हैं। इस हाइब्रिड मॉडल को 478 विभिन्न लवणों के प्रयोगात्मक डेटा पर प्रशिक्षित करके, टीम ने 298 K (लगभग 25°C) पर 9,296 इलेक्ट्रोलाइट्स के व्यवहार की सफलतापूर्वक भविष्यवाणी की। इसमें वे 8,818 लवण भी शामिल हैं जिनके लिए साहित्य में कोई प्रयोगात्मक डेटा मौजूद नहीं था। जब उन्होंने उन लवणों के विरुद्ध अपने अनुमानों का परीक्षण किया जिन्हें प्रशिक्षण के दौरान मॉडल से जानबूझकर छिपाया गया था, तो ब्रोमले-MCM ने पिछले भविष्य कहने वाले तरीकों, जैसे कि "आयन-विशिष्ट ब्रोमले मॉडल" और "सिमोस मॉडल" की तुलना में कहीं अधिक सटीकता प्रदर्शित की।
यह शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि विशुद्ध रूप से डेटा-संचालित मशीन लर्निंग (भौतिकी के बिना) या पुराने स्कूल के आयन-विशिष्ट सूत्र आगे बढ़ने का सबसे अच्छा तरीका हैं। लेखक बताते हैं कि जबकि वे तरीके मौजूद हैं, उनमें या तो सटीकता की कमी है या वे बहुत कम रासायनिक स्थान को कवर करते हैं। उदाहरण के लिए, सिमोस मॉडल, जो आयनिक त्रिज्या (ionic radii) पर निर्भर करता है, कई जटिल या कार्बनिक आयनों के व्यवहार की भविष्यवाणी करने में विफल रहा जिन्हें नया मॉडल आसानी से संभाल लेता है। लेखक यह भी नोट करते हैं कि हालांकि उनका मॉडल शक्तिशाली है, यह जादुई नहीं है; यह कमजोर इलेक्ट्रोलाइट्स (जैसे कुछ एसिड) के साथ थोड़ा संघर्ष करता है जो पूरी तरह से विच्छेदित (dissociate) नहीं होते हैं, क्योंकि जिस भौतिकी मॉडल पर उन्होंने इसे बनाया था, वह उन विशिष्ट मामलों के लिए डिज़ाइन नहीं किया गया था।
अंततः, यह अध्ययन प्रदर्शित करता है कि एक ठोस भौतिकी ढांचे के भीतर मशीन लर्निंग "अनुमान इंजन" को स्थापित करके, हम रासायनिक पहेली के लापता टुकड़ों को भर सकते हैं। लेखक लगभग 9,300 लवणों के लिए एक पूर्ण, उपयोग के लिए तैयार सेट पैरामीटर प्रदान करते हैं, जिससे इंजीनियरों और वैज्ञानिकों को प्रभावी रूप से जलीय डांस फ्लोर का एक अधिक पूर्ण मानचित्र मिल जाता है। यह केवल एक सैद्धांतिक समस्या को हल नहीं करता है; यह बेहतर बैटरी, विलवणीकरण संयंत्र (desalination plants) और औद्योगिक प्रक्रियाओं को डिजाइन करने के लिए एक व्यावहारिक उपकरण प्रदान करता है, जिसके लिए हर नए रासायनिक मिश्रण के लिए अंतहीन, महंगे प्रयोग करने की आवश्यकता नहीं होती 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।