Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

प्रत्येक पदार्थ का एक टूटने का बिंदु (ब्रेकिंग पॉइंट) होता है, एक ऐसा क्षण जब गर्मी बहुत अधिक हो जाती है और उसे थामे रखने वाले रासायनिक बंधन टूटने लगते हैं। उन वैज्ञानिकों के लिए जो ऊर्जावान पदार्थों (energetic materials) को डिजाइन करते हैं—जैसे कि विस्फोटक और प्रणोदक (propellants) जो रॉकेटों को शक्ति देते हैं या मशीनरी को चलाते हैं—इस टूटने के बिंदु को जानना जीवन और मृत्यु का प्रश्न है। यदि कोई पदार्थ बहुत अस्थिर है, तो यह भंडारण के दौरान समय से पहले फट सकता है; यदि यह बहुत स्थिर है, तो आवश्यकता पड़ने पर यह अपना काम करने में विफल हो सकता है। इस सुरक्षा मार्जिन को मापने का मानक तरीका प्रयोगशाला में एक नमूने को गर्म करना और उस सटीक तापमान को रिकॉर्ड करना है जिस पर वह विघटित होना शुरू होता है। हालांकि, यह सरल माप आश्चर्यजनक रूप से अविश्वसनीय है। विभिन्न प्रयोगशालाएं अलग-अलग हीटिंग गति, नमूनों की अलग मात्रा और परिणामों को रिपोर्ट करने के अलग-अलग तरीके अपनाती हैं। जब शोधकर्ता इन नंबरों को कई अलग-अलग स्रोतों से एकत्र करके एक कंप्यूटर मॉडल बनाने की कोशिश करते हैं, तो डेटा एक शोर युक्त, असंगत ढेर बन जाता है, जिससे मशीन को यह सिखाना लगभग असंभव हो जाता है कि कौन से नए अणु सुरक्षित होंगे और कौन से खतरनाक।

लॉस एलोमोस नेशनल लेबोरेटरी और टेक्सास टेक यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस शोर को काटने का एक चतुर तरीका खोज लिया है। अणुओं के टूटने के सटीक तापमान की भविष्यवाणी करने के बजाय, उन्होंने कंप्यूटर को एक बार में दो अणुओं की तुलना करने और यह तय करने के लिए प्रशिक्षित किया कि कौन सा अधिक स्थिर है। यह दृष्टिकोण, जिसे वे 'डिफरेंशियल लर्निंग' (differential learning) कहते हैं, प्रयोगशालाओं के भ्रमित करने वाले अंतरों को नजरअंदाज करता है और पूरी तरह से सामग्रियों के सापेक्ष क्रम (relative order) पर ध्यान केंद्रित करता है। कृत्रिम बुद्धिमत्ता (AI) को जोड़ों में अणुओं को देखने और उनकी स्थिरता के अंतर की भविष्यवाणी करने के लिए प्रशिक्षित करके, टीम ने हजारों यौगिकों को उच्च सटीकता के साथ रैंक करने वाली एक प्रणाली बनाई। उनका कार्य बताता है कि जबकि हम लैब रिपोर्ट से प्राप्त एक एकल संख्या पर हमेशा भरोसा नहीं कर सकते, हम दो अलग-अलग रसायनों के बीच के संबंध पर विश्वसनीय रूप से भरोसा कर सकते हैं।

शोधकर्ताओं ने इस पद्धति को कार्बन, हाइड्रोजन, नाइट्रोजन और ऑक्सीजन वाले कार्बनिक अणुओं के एक डेटासेट पर लागू किया, जो ऊर्जावान पदार्थों का एक सामान्य समूह है। उन्होंने प्रकाशित अध्ययनों से प्रयोगात्मक डेटा एकत्र किया, लेकिन जैसा कि अपेक्षित था, संख्याएं असंगत थीं। जब उन्होंने प्रत्येक अणु के लिए सटीक विघटन तापमान की भविष्यवाणी करने के लिए मानक कंप्यूटर मॉडल का उपयोग किया, तो परिणाम खराब रहे। मॉडल बहुत समान अणुओं के बीच अंतर करने में संघर्ष करते थे और अक्सर सबसे स्थिर या सबसे कम स्थिर बाहरी तत्वों (outliers) को पहचानने में विफल रहते थे। इस विफलता ने समस्या को उजागर किया: डेटा के शोर ने वास्तविक रासायनिक संकेतों को दबा दिया था।

इसे हल करने के लिए, टीम ने प्रश्न बदल दिया। उन्होंने कंप्यूटर से यह पूछना बंद कर दिया, "इस अणु का तापमान क्या है?" और पूछना शुरू किया, "क्या यह अणु उस दूसरे से अधिक स्थिर है?" उन्होंने कंप्यूटर को अणुओं के जोड़े दिए और उससे उनकी स्थिरता के अंतर की भविष्यवाणी करने को कहा। इस बदलाव ने उन्हें अपेक्षाकृत कम डेटा से प्रशिक्षण के उदाहरणों की एक विशाल संख्या उत्पन्न करने की अनुमति दी। यदि उनके पास 850 अणु थे, तो वे अध्ययन करने के लिए लाखों अद्वितीय जोड़े बना सकते थे। कंप्यूटर ने उन सूक्ष्म संरचनात्मक विशेषताओं को पहचानना सीख लिया जो एक अणु को दूसरे की तुलना में बेहतर बनाए रखते हैं, जिससे प्रभावी रूप से उन प्रयोगात्मक त्रुटियों को दूर किया जा सका जो पूर्ण संख्याओं (absolute numbers) को प्रभावित कर रही थीं।

उन्होंने यह देखने के लिए दो अलग-अलग प्रकार के कंप्यूटर मॉडल का परीक्षण किया कि कौन सा सबसे अच्छा काम करता है। एक मॉडल ने अणुओं को परमाणुओं और बंधों के सरल ग्राफ के रूप में देखा, जो सीधे अणु के आकार से सीखता है। दूसरे मॉडल ने निर्णय लेने के लिए गणना की गई विशेषताओं (जैसे कि एक विशिष्ट बंधन को तोड़ने के लिए कितनी ऊर्जा की आवश्यकता होगी) की एक सूची का उपयोग किया। दोनों मॉडल उल्लेखनीय रूप से अच्छा प्रदर्शन करते हैं। जब एक परीक्षण सेट में अणुओं को रैंक करने के लिए कहा गया, तो उन्होंने लगभग 87 प्रतिशत बार एक जोड़े के अधिक स्थिर सदस्य की सही पहचान की। यह पारंपरिक तरीकों की तुलना में एक महत्वपूर्ण सुधार था, जो उसी डेटा को समझने में संघर्ष कर रहे थे। अलग-अलग तरीकों से देखने के बावजूद दोनों मॉडलों की सफलता ने शोधकर्ताओं को विश्वास दिलाया कि उन्होंने अव्यवस्थित प्रयोगात्मक डेटा को संभालने का एक मजबूत तरीका खोज लिया है।

केवल अणुओं को रैंक करने से परे, शोधकर्ता यह भी समझना चाहते थे कि कंप्यूटर वास्तव में क्या सीख रहा है। उन्होंने न्यूरल नेटवर्क के "ब्लैक बॉक्स" के भीतर झांकने और यह देखने के लिए एक तकनीक का उपयोग किया कि कौन सी विशेषताएं भविष्यवाणियों को संचालित कर रही हैं। उन्होंने पाया कि कंप्यूटर मुख्य रूप से दो कारकों पर निर्भर था: अणु में ऑक्सीजन का संतुलन और इसके सबसे कमजोर रासायनिक बंधों की मजबूती। यह वही है जो रसायनविदों ने लंबे समय से संदेह किया है। ऊर्जावान पदार्थों में, ऑक्सीजन की उपस्थिति अक्सर उच्च प्रदर्शन लेकिन कम स्थिरता से जुड़ी होती है, जबकि एक श्रृंखला में सबसे कमजोर बंधन विघटन के लिए एक ट्रिगर के रूप में कार्य करता है। हालांकि, अध्ययन ने यह भी खुलासा किया कि कोई भी एकल कारक पूरी कहानी नहीं बताता है। कंप्यूटर ने केवल अकेले सबसे कमजोर बंधन को नहीं देखा; इसने अणु के आकार, इसके बंधों की मजबूती और इसकी रासायनिक संरचना के संपूर्ण संयोजन पर विचार किया। यह सुझाव देता है कि स्थिरता की भविष्यवाणी करना एक जटिल पहेली है जहाँ किसी भी एक हिस्से के बजाय कई छोटे हिस्सों की परस्पर क्रिया अधिक महत्वपूर्ण होती है।

इस अंतर्दृष्टि का वास्तविक दुनिया में कैसे उपयोग किया जा सकता है, यह प्रदर्शित करने के लिए, टीम ने TATB नामक एक प्रसिद्ध, अत्यधिक स्थिर अणु को शुरुआती बिंदु के रूप में उपयोग किया। उन्होंने कंप्यूटर से अणु की संरचना में छोटे बदलावों की कल्पना करने और उन बदलावों से उसकी स्थिरता पर पड़ने वाले प्रभाव की भविष्यवाणी करने के लिए कहा। मॉडल ने सही ढंग से पहचाना कि परमाणुओं के कुछ समूहों को अन्य समूहों से बदलने से अणु को या तो मजबूत या कमजोर किया जा सकता है। उदाहरण के लिए, इसने भविष्यवाणी की कि विशिष्ट हाइड्रोजन-युक्त समूहों को ऑक्सीजन-युक्त समूहों से बदलने से अणु काफी कम स्थिर हो जाएगा। इसके विपरीत, इसने सुझाव दिया कि कुछ अस्थिर समूहों को पूरी तरह से हटाने से अणु और भी अधिक मजबूत हो सकता है। ये निष्कर्ष उन रसायनविदों के लिए एक स्पष्ट मार्गदर्शिका प्रदान करते जो नए सामग्रियां डिजाइन करना चाहते हैं: वे जानते हैं कि शक्ति और सुरक्षा के सही संतुलन को प्राप्त करने के लिए किन संरचनात्मक विशेषताओं को रखना है और किन्हें टालना है।

अध्ययन निष्कर्ष निकालता है कि यह विभेदक (differential) दृष्टिकोण सामग्री की खोज के लिए एक शक्तिशाली उपकरण है, विशेष रूप से तब जब उपलब्ध डेटा अपूर्ण हो। पूर्ण मूल्यों के बजाय सापेक्ष अंतरों पर ध्यान केंद्रित करके, शोधकर्ता एक ऐसा मॉडल बनाने में सक्षम हुए जो डेटा संग्रह के तरीकों में विसंगतियों के बावजूद अच्छी तरह से काम करता है। उन्होंने अपना डेटासेट और अपने मॉडल सार्वजनिक रूपार्थ उपलब्ध करा दिए हैं, इस उम्मीद में कि अन्य लोग सुरक्षित और अधिक प्रभावी सामग्रियां डिजाइन करने के लिए इस पद्धति का उपयोग करेंगे। हालांकि वर्तमान मॉडल निर्वात (vacuum) में अलग-थenced अणुओं के गुणों पर आधारित हैं, शोधकर्ता स्वीकार करते हैं कि वास्तविक दुनिया की सामग्रियां ठोस रूपों में मौजूद होती हैं जहाँ अणु एक-दूसरे के साथ परस्पर क्रिया करते हैं। भविष्य के कार्यों को इन अंतःक्रियाओं को ध्यान में रखना होगा, लेकिन इस नई पद्धति की सफलता थर्मल स्थिरता की जटिल रसायन विज्ञान को समझने के लिए एक आशाजनक मार्ग प्रदान करती है।