Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides
यह अध्ययन प्रदर्शित करता है कि ग्राफ न्यूरल नेटवर्क के साथ 'ऑर्डर्ड-टू-डिसऑर्डर्ड' ट्रांसफर लर्निंग उच्च-एंट्रॉपी पेरोव्स्काइट ऑक्साइड्स में फॉर्मेशन एनर्जी की प्रभावी ढंग से भविष्यवाणी करती है, लेकिन उनके स्थानीय रासायनिक परिवेश के प्रति संवेदनशीलता के कारण HOMO-LUMO गैप को सटीक रूप से मॉडल करने के लिए पूरक HEPO-विशिष्ट डेटा और थ्री-बॉडी ज्योमेट्रिक रिप्रजेंटेशन की आवश्यकता होती 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 एक मास्टर शेफ हैं जो परम उत्कृष्ट सूप बनाने की कोशिश कर रहे हैं। आपके पास सामग्रियों से भरा एक भंडार है, लेकिन केवल एक या दो चुनने के बजाय, आप एक साथ पाँच अलग-अलग मसालों, तीन प्रकार की सब्जियों और कुछ जड़ी-बूटियों का एक अराजक मिश्रण डालने का निर्णय लेते हैं। यह "उच्च-एन्ट्रॉपी" (high-entropy) सामग्रियों की दुनिया है: एक सुपर-जटिल रसोई जहाँ वैज्ञानिक नई सामग्रियाँ बनाने के लिए कई अलग-अलग परमाणुओं को एक साथ मिलाते हैं, जिनमें सुपर-मजबूत सिरेमिक या ऐसी सामग्रियाँ शामिल हैं जो अजीब तरीकों से बिजली का संचालन कर सकती हैं। समस्या यह है कि यह "सूप" इतना अव्यवस्थित और अप्रत्याशित है कि सबसे स्मार्ट कंप्यूटर सिमुलेशन भी इसे पकने से पहले उसका स्वाद लेने के लिए संघर्ष करते हैं। यह सामग्री के एक एकल, पूरी तरह से व्यवस्थित चम्मच को देखकर सूप के स्वाद का अनुमान लगाने जैसा है, जबकि असली बर्तन अराजकता का एक घूमता हुआ तूफान है।
इस समस्या को हल करने के लिए, वैज्ञानिक एक चतुर तकनीक का उपयोग करते हैं जिसे "ट्रांसफर लर्निंग" (transfer learning) कहा जाता है। इसे कार चलाना सीखने की तरह समझें। आप एक कीचड़ भरे गड्ढे में एक अराजक, ऑफ-रोड मॉन्स्टर ट्रक चलाने के साथ शुरुआत नहीं करते हैं; आप एक चिकनी, व्यवस्थित हाईवे पर शुरुआत करते हैं जहाँ स्पष्ट लेन मार्कर होते हैं। एक बार जब आप उस सरल हाईवे पर सड़क के नियमों में महारत हासिल कर लेते हैं, तो आप थोड़े से अतिरिक्त अभ्यास के साथ एक मेसी मड पिट (कीचड़ के गड्ढे) को भी संभाल सकते हैं। यह शोध पत्र एक ज्वलंत प्रश्न पूछता है: यदि हम एक कंप्यूटर को सरल, व्यवस्थित "हाईवे" रेसिपी का उपयोग करके सामग्रियों के गुणों की भविष्यवाणी करना सिखाते हैं, तो क्या वह तुरंत मेसी "मड पिट" उच्च-एन्ट्रॉपी सूप के गुणों की भविष्यवाणी कर सकता है? और यदि नहीं, तो उसे वास्तव में कितने अतिरिक्त अभ्यास की आवश्यकता है?
शोधकर्ताओं ने, जो फ्रांस के लिमोज विश्वविद्यालय की एक टीम है, इस विचार का परीक्षण करने के लिए पेरोव्स्काइट ऑक्साइड (perovskite oxides) नामक एक विशिष्ट प्रकार की सामग्री का उपयोग किया। ये आधुनिक तकनीकों के निर्माण खंडों की तरह हैं। उन्होंने इन सामग्रियों की एक विशाल डिजिटल लाइब्रेरी बनाई, जिसमें हजारों "व्यवस्थित" रेसिपी (जहाँ परमाणु करीने से व्यवस्थित होते हैं) और हजारों "अव्यवस्थित" रेसिपी (जहाँ परमाणु यादृच्छिक रूप से मिश्रित होते हैं, जैसे कि उच्च-एन्ट्रॉपी पेरोव्स्काइट्स में) शामिल थे। फिर उन्होंने चार अलग-अलग प्रकार के "AI शेफ" (जिन्हें ग्राफ न्यूरल नेटवर्क कहा जाता है) को दो चीजों की भविष्यवाणी करने के लिए प्रशिक्षित किया: सामग्री कितनी स्थिर है (फॉर्मेशन एनर्जी) और यह बिजली को कैसे संभालती है (HOMO-LUMO गैप, जो एक फैंसी तरीका है यह बताने का कि इलेक्ट्रॉनों का कूदना कितना कठिन है)।
यहाँ उन्हें क्या मिला, और यह दो बहुत अलग परिणामों की कहानी है। पहला, AI शेफ स्थिरता की भविष्यवाणी करने में शानदार थे। जब उन्हें केवल नीट, व्यवस्थित हाईवे रेसिपी पर प्रशिक्षित किया गया था, तो वे मेसी मड-पिट उच्च-एन्ट्रॉपी सूप को देखकर उनकी स्थिरता का लगभग उसी सटीकता के साथ अनुमान लगा सके। ऐसा प्रतीत होता है कि परमाणु आपस में जुड़कर स्थिर रहने के नियम आश्चर्यजनक रूप से समान हैं, चाहे रसोई व्यवस्थित हो या अराजक। AI ने "जुड़ने के भौतिकी" को इतनी अच्छी तरह से सीख लिया कि उसे यह जानने के लिए मेसी सूप देखने की आवश्यकता नहीं थी कि वह एकजुट रहेगा या नहीं।
हालाँकि, कहानी पूरी तरह से बदल गई जब उन्होंने विद्युत गुणों (HOMO-LUMO गैप) की भविष्यवाणी करने की कोशिश की। AI शेफ, यहाँ तक कि सबसे स्मार्ट वाले भी, यदि उन्हें केवल व्यवस्थित हाईवे दिखाया गया था, तो वे मेसी सूप के विद्युत व्यवहार का अनुमान लगाने में बहुत खराब थे। त्रुटि लगभग दस गुना बढ़ गई! ऐसा लगता है कि बिजली परमाणुओं की सटीक, अराजक व्यवस्था के प्रति अविश्वसनीय रूप से संवेदनशील है। मेस में एक परमाणु कहाँ स्थित है, इसमें एक मामूली बदलाव भी विद्युत प्रवाह को बदल देता है, और AI केवल व्यवस्थित हाईवे को देखकर इसका अंदाजा नहीं लगा सका।
लेकिन एक सुखद अंत है। शोधकर्ताओं ने पाया कि AI को बिजली की भविष्यवाणी करने में अच्छा होने के लिए सभी मेसी सूप देखने की आवश्यकता नहीं थी। उन्हें केवल AI को मेसी ट्रेनिंग डेटा का एक छोटा सा हिस्सा दिखाने की आवश्यकता थी—केवल 20%—जिसे व्यवस्थित डेटा के साथ मिला दिया गया था। इस छोटे से "टेस्टिंग सेशन" के साथ, बिजली के गुणों की भविष्यवाणी करने में AI के प्रदर्शन में नाटकीय सुधार हुआ, जिससे इसकी त्रुटि दर एक विशाल 0.28 eV से घटकर एक बहुत ही सटीक 0.07 eV हो गई।
टीम ने विभिन्न प्रकार के AI आर्किटेक्चर का भी परीक्षण किया। उन्होंने पाया कि सबसे अच्छा शेफ वह था जिसे ALIGNN कहा जाता है। यह मॉडल विशेष है क्योंकि यह न केवल यह देखता है कि कौन से परमाणु पड़ोसी हैं; यह उनके बीच के कोणों (angles) पर भी ध्यान देता है, जैसे कि यह देखना कि कोई बॉन्ड मुड़ा हुआ है या सीधा है। यह "एंगल-अवेयर" (कोण-जागरूक) शेफ अन्य लोगों की तुलना में इन सामग्रियों की जटिल ज्यामिति को समझने में बहुत बेहतर था, जिससे यह साबित हुआ कि इन सामग्रियों को समझने के लिए, आपको केवल सामग्रियों पर नहीं, बल्कि उनके कनेक्शन के आकार पर भी ध्यान देना होगा।
संक्षेप में, यह पेपर सुझाव देता है कि हम जटिल, मेसी उच्च-एन्ट्रॉपी सामग्रियों की स्थिरता की भविष्यवाणी करने के लिए AI को प्रशिक्षित करने के लिए सरल, व्यवस्थित सामग्रियों का उपयोग कर सकते हैं। लेकिन यदि हम यह भविष्यवाणी करना चाहते हैं कि वे बिजली का संचालन कैसे करते हैं, तो हम केवल व्यवस्थित प्रशिक्षण पर भरोसा नहीं कर सकते; हमें AI को मेसी वास्तविकता का एक छोटा, विशिष्ट नमूना देने की आवश्यकता है ताकि वह अपने स्वाद को फाइन-ट्यून कर सके। यह एक शक्तिशाली रणनीति है: हाईवे पर बुनियादी बातें सीखें, फिर बाकी चीज़ों में महारत हासिल करने के लिए कीचड़ में एक त्वरित चक्कर लगाएं।
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।