Electronic and chemical phase identification in photoemission experiments using unsupervised machine learning

पदार्थ की दुनिया को उसके सबसे मौलिक स्तर पर समझने के लिए, वैज्ञानिक अक्सर इस बात पर ध्यान केंद्रित करते हैं कि एक ठोस पदार्थ के भीतर इलेक्ट्रॉन कैसे व्यवहार करते हैं। कल्पना कीजिए कि आप पदार्थ के एक टुकड़े पर एक बहुत ही विशिष्ट प्रकार का प्रकाश डाल रहे हैं; यह प्रकाश इलेक्ट्रॉन नामक सूक्ष्म कणों को ढीला कर देता है। इन इलेक्ट्रॉनों को पकड़कर और उनकी गति तथा दिशा को मापकर, शोधकर्ता सामग्री की अदृश्य इलेक्ट्रॉनिक संरचना का मानचित्र बना सकते हैं, जिससे यह पता चलता है कि वह बिजली का संचालन कैसे करती है या प्रकाश के साथ कैसे अंतःक्रिया करती है। यह तकनीक, जिसे फोटोएमिशन स्पेक्ट्रोस्कोपी (photoemission spectroscopy) कहा जाता है, अविश्वसनीय रूप से शक्तिशाली है, लेकिन इसके साथ एक निराशाजनक सीमा भी जुड़ी है: यह सामग्री की बिल्कुल ऊपरी परत के प्रति अत्यंत संवेदनशील है। क्योंकि मापे जाने वाले इलेक्ट्रॉन एक नैनोमीटर से भी कम गहराई से आते हैं, इसलिए सतह का पूरी तरह से ताजा और स्वच्छ होना आवश्यक है। उन वैक्यूम चैंबरों में जहाँ ये प्रयोग होते हैं, एक बेदाग सतह भी दो दिनों के भीतर, या अक्सर उससे भी तेज़ी से, खराब होने या बदलने लगती है। यह समय के विरुद्ध एक दौड़ बन जाती है। विज्ञान शुरू करने से पहले, शोधकर्ता को नमूने पर मापने के लिए सही स्थान खोजना होता है।

समस्या यह है कि ये ताज़ा सतहें अक्सर अस्त-व्यस्त और असमान होती हैं। एक ही नमूने में अलग-अलग रासायनिक संरचनाओं के पैच, अलग-अलग मोटाई की परतें, या अलग-अलग कोणों पर मुड़े हुए क्षेत्र हो सकते हैं। सबसे अच्छे स्थान को खोजने के लिए, वैज्ञानिक पारंपरिक रूप से रस्टर स्कैन (raster scan) नामक विधि का उपयोग करते हैं। वे नमूने को एक कठोर ग्रिड पैटर्न में घुमाते हैं, जैसे घास काटने वाला यंत्र (लॉनमोवर) घास काटता है, और प्रत्येक प्रतिच्छेदन (intersection) पर माप लेते हैं। फिर वे रुकते हैं, डेटा देखते हैं, और तय करते हैं कि क्या उन्हें ज़ूम इन करके फिर से एक छोटे क्षेत्र को स्कैन करने की आवश्यकता है। यह प्रक्रिया धीमी है, कीमती समय खर्च करती है, और अक्सर ताज़ा सतह के सीमित जीवनकाल को बर्बाद कर देती है। यदि वैज्ञानिक एक बहुत महीन ग्रिड चुनता है, तो वह बार-बार एक ही चीज़ को मापने में समय बर्बाद करता है। यदि ग्रिड बहुत मोटा है, तो वह दिलचस्प विशेषताओं को पूरी तरह से मिस कर सकता है। वैज्ञानिकों के सामने प्रश्न यह था कि क्या एक कंप्यूटर एक मानव की तुलना में अधिक तेज़ी से और समझदारी से इस अस्त-व्यस्त परिदृश्य में नेविगेट करना सीख सकता है।

हाल ही में एक अध्ययन में, शोधकर्ताओं के एक दल ने AARDVARK नामक एक नया दृष्टिकोण पेश किया, जो मशीन लर्निंग का उपयोग करके इन प्रयोगों को निर्देशित करने के लिए डिज़ाइन किया गया एक सिस्टम है। एक कठोर ग्रिड का पालन करने या अंदाज़ लगाने के बजाय, यह सिस्टम एक बुद्धिमान खोजकर्ता की तरह काम करता है जो चलते-चलते सीखता है। शोधकर्ताओं ने अपने विचार का परीक्षण ग्रेफीन की दो परतों से बने एक जटिल नमूने का उपयोग करके किया, जो कार्बन परमाणुओं की एक एकल परत से बनी सामग्री है। उनके सेटअप में, ग्रेफीन के एक बड़े, पूर्ण क्रिस्टल ने आधार के रूपв में कार्य किया, जबकि ग्रेफीन की दूसरी, पॉलीक्रिस्टलाइन परत को ऊपर रखा गया था। यह ऊपरी परत एकसमान नहीं थी; यह कई छोटे क्षेत्रों से बनी थी, जिनमें से प्रत्येक नीचे की परत के सापेक्ष अलग-अलग कोण पर मुड़ा हुआ था। इसने एक ऐसा परिदृश्य बनाया जहाँ इलेक्ट्रॉनिक गुण एक स्थान से दूसरे स्थान पर बदल जाते थे, जो उन अव्यवस्थित, विषम सतहों की नकल करता है जिनका वैज्ञानिक वास्तविक प्रयोगों में सामना करते हैं।

AARDVARK सिस्टम लगातार यह पूछता है, "हमें आगे क्या मापना चाहिए?" यह कुछ माप लेने से शुरू होता है और फिर डेटा को विज़ुअलाइज़ करने के लिए एक शक्तिशाली गणितीय उपकरण का उपयोग करता है। यह प्रत्येक माप में मौजूद विशाल जानकारी को—जो ऊर्जा और इलेक्ट्रॉन की गति का वर्णन करने वाले हजारों डेटा बिंदुओं को—एक सरल, रंगीन मानचित्र में संकुचित कर देता है। इस मानचित्र में, समान इलेक्ट्रॉनिक गुणों वाले स्थान समान रंगों के रूप में दिखाई देते हैं, जबकि अलग गुणों वाले स्थान अलग रंगों के रूप में दिखाई देते हैं। यह प्रणाली को हर एक संख्या के पीछे के जटिल भौतिक विज्ञान को समझे बिना, नमूने के इलेक्ट्रॉनिक परिदृश्य के "आकार" को देखने की अनुमति देता है।

एक बार जब सिस्टम के पास यह रंगीन मानचित्र आ जाता है, तो यह अनुमान लगाने के लिए 'गौसियन प्रोसेस रिग्रेशन' (Gaussian process regression) नामक विधि का उपयोग करता है कि नमूने के बिना मापे गए हिस्से कैसे दिखते हैं। इसे एक स्मार्ट गेसर (अनुमान लगाने वाला) के रूप में सोचें जो न केवल एक नए स्थान के मान की भविष्यवाणी करता है, बल्कि इस बात की भी गणना करता है कि वह अपने अनुमान के बारे में कितना अनिश्चित है। सिस्टम को उन क्षेत्रों को प्राथमिकता देने के लिए प्रोग्राम किया गया है जहाँ वह सबसे अधिक अनिश्चित है। यदि मानचित्र में एक स्थान से दूसरे स्थान पर रंग तेजी से बदलते हैं, तो सिस्टम जानता है कि उसने दो अलग-अलग क्षेत्रों के बीच की सीमा ढूंढ ली है, और वह उस किनारे को अधिक सटीक रूप से परिभाषित करने के लिए माप बीम को वहां भेज देता है। यदि कोई क्षेत्र एकसमान दिखता है, तो सिस्टम उसे छोड़ देता है, यह जानते हुए कि उसे दोबारा मापने से कोई नई जानकारी नहीं मिलेगी। यह सिस्टम को नमूने के किनारों और अद्वितीय विशेषताओं पर अपनी ऊर्जा केंद्रित करने की अनुमति देता है, और उबाऊ, दोहराव वाले हिस्सों को अनदेखा करता है।

शोधकर्ताओं ने कंप्यूटर पर 8,000 से अधिक पूर्व-मापे गए बिंदुओं के डेटासेट का उपयोग करके इस प्रक्रिया का अनुकरण किया ताकि यह देखा जा सके कि AARDVARK पारंपरिक तरीकों की तुलना में कितनी अच्छी तरह प्रदर्शन करता है। उन्होंने तीन अलग-अलग परिदृश्य चलाए: नया मशीन-लर्निंग दृष्टिकोण, एक मानक ग्रिड स्कैन, और एक रैंडम सर्च जहाँ बिना किसी तर्क के बिंदु चुने जाते हैं। परिणाम चौंकाने वाले थे। केवल 400 से 600 माप लेने के बाद, AARDVARK सिस्टम ने नमूने की प्रमुख सीमाओं और विशिष्ट क्षेत्रों की पहचान उस स्पष्टता के साथ कर ली थी, जिसे ग्रिड और रैंडम तरीकों ने 1,000 से 2,000 माप लेने के बाद प्राप्त किया था। ग्रिड विधि, जो सीधी रेखाओं में चलती है, अक्सर एक ही समान क्षेत्रों को बार-बार मापने में समय बर्बाद करती थी, जबकि रैंडम विधि अपने प्रयासों को बहुत व्यापक रूप से बिखेर देती थी जिससे किसी विशिष्ट आकार को परिभाषित करना कठिन हो जाता था। इसके विपरीत, AARDVARK ने विभिन्न क्षेत्रों के बीच के संक्रमणों (transitions) को जल्दी से पकड़ लिया, जिससे उसने बहुत कम चरणों में नमूने के इलेक्ट्रॉनिक भूभाग का मानचित्र प्रभावी ढंग से तैयार किया।

यह दक्षता केवल समय बचाने के बारे में नहीं है; यह नमूने को सुरक्षित रखने के बारे में भी है। क्योंकि ताज़ा सतह बहुत जल्दी खराब हो जाती है, इसलिए हर माप मायने रखता है। दिलचस्प क्षेत्रों को तेज़ी से खोजकर, AARDVARK माप बीम के संपर्क में आने वाले कुल समय को कम करता है, जो कभी-कभी सामग्री को नुकसान पहुँचा सकता है। सिस्टम दो अलग-अलग प्रकार के मापों को संभालने के लिए पर्याप्त लचीला साबित हुआ: एक जो इलेक्ट्रॉनिक संरचना का मानचित्र बनाता है और दूसरा जो परमाणुओं की रासायनिक संरचना की पहचान करता है। भले ही ये दो माप नमूने को अलग-अलग तरीकों से देखते हैं, सिस्टम दोनों के अनुकूल रहा, यह पहचानते हुए कि इलेक्ट्रॉनिक मानचित्र में सीमाएं रासायनिक मानचित्र की सीमाओं से पूरी तरह मेल नहीं खा सकती हैं, और इसने अपनी खोज को तदनुसार समायोजित किया।

यह अध्ययन प्रदर्शित करता है कि एक कंप्यूटर एक कठोर, पूर्व-नियोजित पथ की तुलना में एक जटिल भौतिक वातावरण में बहुत अधिक कुशलता से नेविगेट करना सीख सकता है। जटिल डेटा को सरल बनाने के तरीके और अनिश्चितता से सीखने की विधि को जोड़कर, शोधकर्ताओं ने एक उपकरण बनाया है जो वास्तविक समय में प्रयोगों को निर्देशित कर सकता है। इसका अर्थ यह है कि भविष्य में, वैज्ञानिक सही स्थान खोजने में कम समय बिता सकते हैं और वास्तविक विज्ञान करने में अधिक समय दे सकते हैं, और साथ ही उन नाजुक नमूनों को भी सुरक्षित रख सकते हैं जिनका वे अध्ययन कर रहे हैं। यह कार्य सुझाव देता है कि इन प्रयोगों का भविष्य डेटा को खुद यह बताने में निहित है कि अगली बार कहाँ देखना है, जिससे एक धीमी, मैनुअल खोज एक गतिशील, बुद्धिमान अन्वेषण में बदल जाती है।