उन प्रयोगशालाओं में जहाँ नई औषधियाँ जन्म लेती हैं और जहाँ प्रकृति के रहस्यों को डिकोड किया जाता है, वैज्ञानिक एक निरंतर पहेली का सामना करते हैं: केवल यह देखकर कि एक अणु प्रकाश और चुंबकीय क्षेत्रों के साथ कैसे परस्पर क्रिया करता है, उसके सटीक आकार का निर्धारण करना। जब एक रसायन शास्त्री एक नया यौगिक संश्लेषित करता है या किसी पौधे से कोई पदार्थ अलग करता है, तो उसे यह सिद्ध करना होता है कि वह पदार्थ वास्तव में क्या है। वे इसे उन मशीनों के माध्यम से करते हैं जो संकेतों के जटिल पैटर्न उत्पन्न करती हैं, जिन्हें स्पेक्ट्रा (spectra) के रूप में जाना जाता है। ये संकेत अणु के लिए एक अद्वितीय फिंगरप्रिंट की तरह होते हैं, जिनमें इस बात के सुराग होते हैं कि इसके परमाणु कैसे जुड़े हुए हैं और अंतरिक्ष में कैसे व्यवस्थित हैं। दशकों से, इन फिंगरप्रिंट्स को पढ़ना एक धीमी, श्रमसाध्य प्रक्रिया रही है जिसमें एक मानव विशेषज्ञ को सुरागों को जोड़ने के लिए एक विशेषज्ञ की आवश्यकता होती है, जो एक संभावित संरचना को दूसरी के विरुद्ध तब तक परखता रहता है जब तक कि वे हिस्से आपस में फिट न हो जाएं। हालांकि कंप्यूटरों ने मदद की है, लेकिन वे एक मानव विशेषज्ञ की लचीली, तार्किक सोच की नकल करने में संघर्ष करते रहे हैं, और अक्सर उन अणुओं के सामने विफल हो जाते हैं जिन्हें उन्होंने पहले कभी नहीं देखा या जब डेटा अव्यवस्थित होता है।

शोधकर्ताओं की एक टीम ने अब एक ऐसी नई प्रणाली विकसित की है जो इस कार्य को करने के तरीके को बदल देती है। ज्ञात अणुओं के डेटाबेस को केवल याद रखने के लिए कंप्यूटर पर दबाव डालने के बजाय, उन्होंने एक ऐसी आर्टिफिशियल इंटेलिजेंस बनाई है जो एक रसायन शास्त्री की तरह सोचना सीखती है। MACROS नामक यह प्रणाली केवल एक अनुमान नहीं लगाती; यह एक संभावित उम्मीदवार प्रस्तावित करती है, अपने काम की जांच करती है, और एक निरंतर लूप में अपने उत्तर को परिष्कृत करती है, ठीक वैसे ही जैसे एक इंसान करता है। लाखों सिम्युलेटेड और वास्तविक दुनिया के उदाहरणों पर प्रशिक्षण देकर, इस प्रणाली ने कच्चे संकेतों और परमाणुओं की त्रि-आयामी व्यवस्था के बीच संबंध स्थापित करना सीख लिया है। परिणाम एक ऐसा उपकरण है जो वर्तमान विधियों की तुलना में गति और सटीकता के साथ जटिल अणुओं की पहचान कर सकता है, यहाँ तक कि जब डेटा अधूरा हो या अणु पूरी तरह से नया हो।

इस सफलता का मूल आधार यह है कि यह प्रणाली कैसे बनाई गई है। एक एकल, विशाल मस्तिष्क का उपयोग सब कुछ करने के लिए करने के बजाय, शोधकर्ताओं ने विशिष्ट डिजिटल एजेंटों की एक टीम बनाई, जिनमें से प्रत्येक का एक विशिष्ट कार्य है। एक एजेंट डेटा को देखता है और एक संभावित आणविक संरचना का सुझाव देता है। दूसरा एजेंट उस सुझाव को लेता है और यह सिम्युलेट करता है कि यदि वह संरचना वास्तविक होती तो संकेत कैसे दिखते। तीसरा एजेंट सिम्युलेटेड संकेतों की वास्तविक प्रयोगात्मक डेटा के साथ तुलना करता है कि वे कितनी अच्छी तरह मेल खाते हैं। यदि मिलान खराब है, तो सिस्टम जानकारी को पहले एजेंट के पास फिर से प्रयास करने के लिए वापस भेज देता है। प्रस्ताव देने, परीक्षण करने और परिष्कृत करने का यह चक्र स्वचालित और बार-बार होता है। सिस्टम अपनी गलतियों से वास्तविक समय में सीखता है, धीरे-धीरे संभावनाओं को तब तक कम करता है जब तक कि वह उस संरचना को न खोज ले जो सभी देखे गए संकेतों की सबसे अच्छी व्याख्या करती है। यह दृष्टिकोण उस पुनरावृत्ति पर आधारित परिकल्पना-परीक्षण (hypothesis-testing) की नकल करता है जिसका उपयोग मानव स्पेक्ट्रोस्कोपिस्टों ने पीढ़ियों से किया है, लेकिन यह प्रक्रिया को उस गति और निरंतरता के साथ निष्पादित करता है जो मनुष्य नहीं कर सकते।

जो इस प्रणाली को विशेष रूप से उल्लेखनीय बनाता है वह यह है कि इसने रसायन विज्ञान के नियमों को स्वयं सीखा। शोधकर्ताओं ने इसे रसायन विज्ञान के नियमों की सूची के साथ प्रोग्राम नहीं किया या यह नहीं बताया कि कौन से परमाणु आमतौर पर किससे जुड़ते हैं। इसके बजाय, उन्होंने सिस्टम को एक करोड़ से अधिक स्पेक्ट्रा और आणविक संरचनाओं के जोड़ों के संपर्क में रखा। इस व्यापक संपर्क के माध्यम से, सिस्टम ने मौलिक रासायनिक सिद्धांतों को स्वतः ही खोज लिया। उदाहरण के लिए, इसने सीखा कि डेटा में कुछ पैटर्न विशिष्ट परमाणु समूहों, जैसे कि रिंग या डबल बॉन्ड, के अनुरूप होते हैं, बिना कभी भी स्पष्ट रूप से उन्हें देखने के लिए कहे गए। इसने अपने संरचनात्मक अनुमानों को कठोर रिंग सिस्टम के साथ शुरू करने की प्राथमिकता भी विकसित की, जो एक अनुभवी मानव विशेषज्ञों की अंतर्दृष्टि को दर्शाता है जो जानते हैं कि अणु का निर्माण अक्सर उसके सबसे स्थिर कोर से शुरू होता है। रसायन विज्ञान के अंतर्निहित तर्क को सीखने की यह क्षमता, न कि केवल पैटर्न को याद रखने की, इस प्रणाली को उन अणुओं तक सामान्यीकरण करने की अनुमति देती है जिनका उसने पहले कभी सामना नहीं किया है।

शोधकर्ताओं ने इस प्रणाली का परीक्षण वास्तविक दुनिया के विविध नमूनों पर किया, जिसमें प्रकृति में पाए जाने वाले जटिल प्राकृतिक उत्पाद, प्रयोगशालाओं में निर्मित सिंथेटिक यौगिक और मानव शरीर में पाए जाने वाले मेटाबोलाइट्स शामिल हैं। कई मामलों में, सिस्टम ने 1H और 13C न्यूक्लियर मैग्नेटिक रेजोनेंस डेटा का उपयोग करके आणविक संरचना को सही ढंग से पहचानने में सफलता प्राप्त की, जो एक सामान्य लेकिन अक्सर संदिग्ध प्रकार का संकेत है। जब सिस्टम को अपने पूर्ण विचार और परिष्करण चक्र के माध्यम से चलने की अनुमति दी गई, तो इसकी सटीकता में उल्लेखनीय सुधार हुआ। चुनौतीपूर्ण प्राकृतिक उत्पादों के एक सेट पर, सिस्टम ने बिना किसी पूर्व प्रशिक्षण के आधे से अधिक अणुओं की संरचना को सही ढंग से पहचाना। जब शोधकर्ताओं ने सिस्टम को रसायन विज्ञान के एक विशिष्ट प्रकार के लिए फाइन-ट्यून किया, तो इसकी सफलता दर और भी बढ़ गई, जिसने मेटाबोलाइट्स के लगभग सत्तर प्रतिशत मामलों को सही ढंग से हल किया। यह प्रदर्शन शोर वाले या अधूरे डेटा के बावजूद बना रहा, जो एक मजबूती प्रदर्शित करता है जो पिछले कंप्यूटर तरीकों में नहीं थी।

इस प्रणाली के मूल्य का सबसे सम्मोहक प्रमाण इस बात से आता है कि यह मानव वैज्ञानिकों के साथ मिलकर कैसे काम करती है। एक नियंत्रित अध्ययन में, पेशेवर स्पेक्ट्रोस्कोपिस्टों को जटिल अणुओं की संरचनाओं को पहले अपने आप हल करने के लिए, और फिर सिस्टम की सहायता से फिर से हल करने के लिए कहा गया था। अकेले काम करते समय, विशेषज्ञों को एक एकल अणु को हल करने में लगभग एक घंटा लगा, और उन्होंने 0.102 का फिंगरप्रिंट समानता स्कोर प्राप्त किया। जब उन्होंने सिस्टम की मदद लेने के लिए इसका उपयोग किया, तो समय घटकर केवल दस मिनट प्रति अणु रह गया, और समानता स्कोर बढ़कर 0.80 से ऊपर हो गया। इस प्रणाली ने मानव विशेषज्ञ का स्थान नहीं लिया; बल्कि, इसने एक शक्तिशाली भागीदार के रूप में कार्य किया, जो हजारों संभावनाओं को उत्पन्न करने और परीक्षण करने का भारी काम संभालता है, जिससे मानव को अंतिम सत्यापन पर ध्यान केंद्रित करने की अनुमति मिलती है। यह सहयोग एक ऐसे भविष्य का सुझाव देता है जहाँ संरचना निर्धारण का उबाऊ कार्य स्वचालित हो जाएगा, जिससे वैज्ञानिक खोज और नवाचार पर ध्यान केंद्रित करने के लिए स्वतंत्र होंगे।

इस कार्य के निहितार्थ केवल पहेलियों को तेजी से हल करने से कहीं अधिक हैं। नियमित डेटा से आणविक संरचनाओं को निर्धारित करने के लिए एक विश्वसनीय विधि स्थापित करके, यह प्रणाली रसायन विज्ञान के विशाल "डार्क मैटर" की खोज का द्वार खोलती है—वे लाखों अज्ञात अणु जो प्रकृति में और हमारे शरीर में मौजूद हैं लेकिन जिन्हें कभी पहचाना नहीं गया है। वर्तमान में, इनमें से कई अणु इसलिए अदृश्य बने हुए हैं क्योंकि उन्हें समझने की प्रक्रिया बहुत धीमी और कठिन है। एक ऐसे उपकरण के साथ जो इन संकेतों को तेजी से और सटीक रूप से डिकोड कर सकता है, वैज्ञानिक सक्रिय रूप से नई दवाओं की खोज कर सकते हैं, जैविक प्रक्रियाओं को अधिक विस्तार से समझ सकते हैं और नई सामग्रियों के विकास में तेजी ला सकते हैं। यह प्रणाली केवल डेटा को संग्रहीत करने से सक्रिय रूप से उसके साथ तर्क करने की ओर एक बदलाव का प्रतिनिधित्व करती है, जो पूरी तरह से स्वचालित प्रयोगशालाओं के लिए एक आधार तैयार करती है जहाँ आणविक खोज विचारों की गति से होती है।

इस दृष्टिकोण की सफलता विज्ञान में आर्टिफिशियल इंटेलिजेंस की एक नई दिशा को भी रेखांकित करती है। वैज्ञानिक डेटा को टेक्स्ट या इमेज जैसे सामान्य प्रारूपों में बदलने के बजाय, शोधकर्ताओं ने अपनी प्रणाली को डेटा की अपनी मूल भाषा बोलने के लिए डिज़ाइन किया। एजेंटों को सीधे कच्चे संकेतों और रासायनिक स्ट्रिंग्स (chemical strings) पर प्रशिक्षित किया गया था जो अणुओं का प्रतिनिधित्व करते हैं, जिससे उन सूक्ष्म भौतिक संबंधों को संरक्षित किया जा सका जो अक्सर अनुवाद में खो जाते हैं। इस विशिष्ट डिजाइन ने सिस्टम को सामान्य-उद्देश्य वाले मॉडलों की तुलना में बहुत कम कंप्यूटिंग संसाधनों के साथ उच्च सटीकता प्राप्त करने की अनुमति दी। यह सुझाव देता है कि वैज्ञानिक एआई का भविष्य बड़े, सामान्य मॉडलों में नहीं, बल्कि विशेष, व्याख्या योग्य प्रणालियों में है जो अपने क्षेत्र के विशिष्ट तर्क को समझने के लिए ज़ीरो से बनाए गए हैं। अपने विशिष्ट ज्ञान को क्लोज्ड-लूप रीजनिंग प्रक्रिया के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो केवल गणना नहीं करता, बल्कि वास्तव में रासायनिक दुनिया को समझता है।