When Literature Data Mislead Artificial Intelligence in Materials Discovery
यह शोध पत्र यह प्रदर्शित करता है कि साहित्य-व्युत्पन्न डेटासेट में व्यवस्थित त्रुटियों और अस्पष्टताओं, जैसे कि टेक्स्ट-फिगर विसंगतियों और इकाइयों की असंगतताओं, द्वारा कृत्रिम बुद्धिमत्ता-संचालित सामग्री खोज (मटेरियल्स डिस्कवरी) काफी हद तक बाधित होती है, जो संरचित लेबल शोर (स्ट्रक्चर्ड लेबल नॉइज़) को जन्म देती हैं और बेहतर पता लगाने योग्य रिपोर्टिंग एवं क्यूरेशन प्रथाओं को आवश्यक बनाती हैं।
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
एक ऐसी दुनिया की कल्पना करें जहाँ वैज्ञानिक अब एक के बाद एक सामग्री का परीक्षण करने के लिए प्रयोगशालाओं में वर्षों नहीं बिताते। इसके बजाय, वे एक कंप्यूटर से लाखों शोध पत्रों को स्कैन करने, सबसे अच्छे नंबर खोजने और यह भविष्यवाणी करने के लिए कहते हैं कि कौन से नए पदार्थ बैटरी या सौर सेल के लिए सबसे अच्छा काम करेंगे। यह सामग्री विज्ञान में आर्टिफिशियल इंटेलिजेंस (AI) का वादा है। विचार यह है कि यदि एक कंप्यूटर कभी भी प्रकाशित हुए हर प्रयोग को पढ़ सकता है, तो वह पदार्थ के व्यवहार के छिपे हुए नियमों को सीख सकता है और हमारी भविष्य की ऊर्जा आवश्यकताओं के लिए आदर्श सामग्रियों को डिजाइन कर सकता है। लेकिन यह दृष्टिकोण एक नाजुक धारणा पर निर्भर करता है: कि उन पुराने शोध पत्रों में लिखे गए नंबर बिल्कुल वैसे ही हैं जैसे वे कहे गए हैं। यदि कोई वैज्ञानिक लिखता है कि एक सामग्री एक निश्चित शक्ति पर बिजली का संचालन करती है, तो कंप्यूटर यह मान लेता है कि वह नंबर सत्य, स्पष्ट और उपयोग के लिए तैयार है।
तोहोकू विश्वविद्यालय और टोक्यो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने पाया है कि यह धारणा खतरनाक रूप से गलत है। उन्होंने ठोस इलेक्ट्रोलाइट्स (solid electrolytes), जो अगली पीढ़ी की बैटरियों के भीतर आयनों को चलने की अनुमति देने वाले विशेष पदार्थ हैं, के डेटा रिपोर्टिंग के तरीके का बारीकी से अध्ययन किया। उनका यह अन्वेषण प्रकट करता है कि वैज्ञानिक साहित्य से निकाले गए नंबर अक्सर केवल थोड़े से गलत नहीं होते, बल्कि मौलिक रूप से भ्रामक होते हैं। समस्या यह नहीं है कि मूल वैज्ञानिकों ने गलतियाँ कीं, बल्कि समस्या यह है कि उनके निष्कर्षों को रिपोर्ट करने का तरीका अक्सर अस्पष्ट होता है। एक नंबर सही हो सकता है लेकिन टेक्स्ट में गलत और ग्राफ में अलग, या इकाइयाँ (units) इस तरह से आपस में मिल सकती हैं जो मान को सौ गुना बदल देती हैं। जब आर्टिफिशियल इंटेलिजेंस सिस्टम इन नंबरों को अपने मॉडल बनाने के लिए उठाते हैं, तो वे अनजाने में एक विकृत वास्तविकता से सीख रहे होते हैं, और अस्पष्ट विवरणों को ठोस तथ्यों के रूप में मान लेते हैं।
शोधकर्ताओं ने वैज्ञानिक शोध पत्रों को केवल समाप्त कहानियों के रूप में नहीं, बल्कि कच्चे डेटा स्रोतों के रूप में देखना शुरू किया। उन्होंने 'आयनिक कंडक्टिविटी' (ionic conductivity) पर ध्यान केंद्रित किया, जो इस बात का माप है कि एक ठोस पदार्थ के माध्यम से बिजली कितनी आसानी से बहती है। बैटरी के लिए सामग्री कितनी अच्छी है, यह तय करने के लिए यह मान अत्यंत महत्वपूर्ण है। एक आदर्श दुनिया में, एक शोधकर्ता इस मान को मापेगा, इसे लिख देगा, और अगला व्यक्ति इसे पढ़ेगा और ठीक वैसे ही उपयोग करेगा जैसा वह है। वास्तव में, लैब नोटबुक से कंप्यूटर डेटाबेस तक का सफर छिपे हुए जाल से भरा हुआ है। टीम ने मूल लेखों से हजारों रिपोर्ट किए गए मानों को उनके क्यूरेटेड डेटाबेस तक ट्रैक किया जिनका उपयोग आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने के लिए किया जाता है। उन्होंने पाया कि इस यात्रा में अक्सर इस बात का अनुमान लगाना शामिल था कि मूल लेखक का क्या अर्थ था, और वे अनुमान अक्सर गलत निकले।
टीम द्वारा पाई गई एक आम समस्या टेक्स्ट और आकृतियों (figures) के बीच का बेमेल होना था। एक वैज्ञानिक मुख्य पैराग्राफ में लिख सकता है कि एक सामग्री का कमरे के तापमान पर एक विशिष्ट चालकता (conductivity) है, लेकिन जब शोधकर्ताओं ने उसी पेपर के वास्तविक ग्राफ को देखा, तो उस तापमान के लिए डेटा पॉइंट एक अलग कहानी बता रहा था। टेक्स्ट में दिया गया नंबर प्लॉट में दिखाए गए नंबर से थोड़ा अधिक या कम हो सकता है। एक मानव पाठक के लिए, यह एक मामूली टाइपो या राउंडिंग एरर लग सकता है। लेकिन एक कंप्यूटर के लिए, जो हर नंबर को एक सटीक तथ्य मानता है, यह एक संघर्ष पैदा करता है। कंप्यूटर को नहीं पता कि किस नंबर पर भरोसा किया जाए। जब ऐसा सैकड़ों पेपरों में होता है, तो डेटाबेस ऐसे विरोधाभासी सूचनाओं से भर जाता है जो सतह पर सही दिखते हैं लेकिन वास्तव में अविश्वसनीय होते हैं।
भ्रम का एक अन्य प्रमुख स्रोत ग्राफ को लेबल करने का तरीका था। वैज्ञानिक शोध पत्रों में अक्सर यह दिखाने के लिए जटिल चार्ट का उपयोग किया जाता है कि चालकता तापमान के साथ कैसे बदलती है। इन चार्टों में आमतौर पर विशिष्ट लेबल वाले अक्ष (axes) होते हैं, लेकिन कभी-कभी वे लेबल अस्पष्ट होते हैं या पूरी तरह से गायब होते हैं। एक शोधकर्ता एक मान को बिना स्पष्ट रूप से बताए प्लॉट कर सकता है कि क्या वह कच्ची चालकता (raw conductivity) का प्रतिनिधित्व करता है या उस मान के गणितीय रूपांतरण का। इस स्पष्टता के बिना, एक ही ग्राफ को पढ़ने वाले दो अलग-अलग लोग दो पूरी तरह से अलग नंबर निकाल सकते हैं। टीम ने दिखाया कि अक्ष (axis) की व्याख्या करने के तरीके के आधार पर, वही डेटा पॉइंट बहुत उच्च चालकता या बहुत कम चालकता के रूप में पढ़ा जा सकता है। ये अंतर यादृच्छिक त्रुटियां नहीं हैं; ये संरचित गलतियाँ हैं जो एक पैटर्न का पालन करती हैं, जिससे कंप्यूटर के लिए इन्हें गलत पहचानना बहुत कठिन हो जाता है।
सबसे खतरनाक त्रुटियाँ माप की इकाइयों (units of measurement) से जुड़ी थीं। विज्ञान में, चालकता को विभिन्न इकाइयों में रिपोर्ट किया जा सकता है, जैसे प्रति सेंटीमीटर या प्रति मीटर। एक इकाई का अंतर मान को सौ गुना बदल सकता है। शोधकर्ताओं ने ऐसे मामले पाए जहाँ एक पेपर स्पष्ट रूप से एक इकाई में मान बताता है, लेकिन ग्राफ या बाद के डेटाबेस प्रविष्टि में इसे किसी अन्य इकाई के रूप la माना जाता है। क्योंकि नंबर अभी भी तर्कसंगत लग रहे थे—वे इन सामग्रियों के लिए भौतिक रूप से संभव सीमा के भीतर थे—इसलिए त्रुटि का पता नहीं चला। एक कंप्यूटर जो डेटा को पढ़ रहा है, वह गलत नंबर को सत्य के रूप में स्वीकार कर लेगा। टीम द्वारा जांचे गए एक विशिष्ट मामले में, एक मान की गलत व्याख्या इस तरह की गई जिससे सौ गुना की त्रुटि पैदा हुई। एक बार डेटाबेस में दर्ज होने के बाद, यह एकल गलती अन्य शोधकर्ताओं और मशीन-लर्निंग मॉडल द्वारा बार-बार उपयोग की जाने लगी, जिससे यह त्रुटि वैज्ञानिक रिकॉर्ड में एक वायरस की तरह फैल गई।
टीम ने जेल-आधारित (gel-based) और अकार्बनिक ठोस इलेक्ट्रोलाइट्स (inorganic solid electrolytes) दोनों पर शोध पत्रों के एक बड़े संग्रह का विश्लेषण किया। उन्होंने पाया कि जेल इलेक्ट्रोलाइट्स में टेक्स्ट-फिगर बेमेल होना आम था, जो उनके द्वारा जांचे गए लगभग दस प्रतिशत पेपरों में दिखाई दिया। अकार्बनिक सामग्रियों के लिए, समस्याएँ और भी विविध थीं, जिसमें यूनिट की विसंगतियाँ सबसे आम मुद्दा थीं। सोलह अकार्बनिक मामलों के एक नमूने में, शोधकर्ताओं ने रिपोर्टिंग अस्पष्टता के पच्चीस अलग-अलग उदाहरणों की पहचान की। इसका मतलब है कि एक ही पेपर में कई प्रकार की त्रुटियाँ हो सकती हैं। डेटा ने दिखाया कि ये केवल लापरवाही की छिटपुट घटनाएँ नहीं थीं, बल्कि वैज्ञानिक परिणामों को संप्रेषित करने के तरीके में एक संरचनात्मक समस्या थी। यहाँ तक कि इस क्षेत्र के विशेषज्ञ भी बिना धारणाएँ बनाए डेटा की सही व्याख्या करने के लिए संघर्ष कर रहे थे, जो बताता है कि समस्या वर्तमान प्रकाशन प्रणाली में गहराई तक जमी हुई है।
शोधकर्ताओं का तर्क है कि यह केवल पुस्तकालयाध्यक्षों या डेटाबेस प्रबंधकों की समस्या नहीं है; यह विज्ञान में आर्टिफिशियल इंटेलिजेंस के भविष्य के लिए एक संकट है। मशीन लर्निंग मॉडल उतने ही अच्छे होते हैं जितना उन्हें दिया जाने वाला डेटा। यदि प्रशिक्षण डेटा छिपी हुई अस्पष्टताओं और यूनिट त्रुटियों से भरा है, तो मॉडल गलत पैटर्न सीख लेगा। यह भविष्यवाणी कर सकता है कि एक सामग्री उत्कृष्ट है जबकि वह वास्तव में बेकार है, या यह एक क्रांतिकारी उम्मीदवार को पूरी तरह से मिस कर सकता है। टीम ने पाया कि ये त्रुटियाँ "स्ट्रक्चर्ड लेबल नॉइज़" (structured label noise) के एक रूप के रूप में कार्य करती हैं। यादृच्छिक गलतियों के विपरीत, जो औसत होकर समाप्त हो सकती हैं, ये त्रुटियाँ सुसंगत और व्यवस्थित हैं, जिसका अर्थ है कि वे कंप्यूटर की सीखने की प्रक्रिया को एक विशिष्ट दिशा में पक्षपाती बना सकती हैं। परिणाम एक ऐसा मॉडल है जो आत्मविश्वासी दिखता है लेकिन मौलिक रूप से त्रुटिपूर्ण है।
इसे ठीक करने के लिए, लेखक शोधकर्ताओं द्वारा अपने निष्कर्षों को रिपोर्ट करने के तरीके के लिए एक नए मानक का प्रस्ताव करते हैं। वे सुझाव देते हैं कि शोधकर्ताओं को उन विवरणों के बारे में बहुत अधिक स्पष्ट होना चाहिए जो वर्तमान में छोड़ दिए जाते हैं। प्रत्येक ग्राफ को स्पष्ट रूप से यह बताना चाहिए कि क्या प्लॉट किया जा रहा है और किन इकाइयों में। जिस तापमान पर मान मापा गया था, वह सटीक होना चाहिए, न कि केवल "कमरे के तापमान" के रूप में वर्णित। लेखकों को स्पष्ट करना चाहिए कि क्या कोई संख्या सीधे मापी गई थी या किसी वक्र (curve) से गणना की गई थी। ये छोटी, उबाऊ बातें लग सकती हैं, लेकिन शोधकर्ता जोर देते हैं कि ये विश्वसनीय विज्ञान की नींव हैं। इनके बिना, डेटा को सुरक्षित रूप से कंप्यूटर या अन्य वैज्ञानिकों द्वारा पुन: उपयोग नहीं किया जा सकता है।
अध्ययन निष्कर्ष निकालता है कि वैज्ञानिक डेटा की विश्वसनीयता एक बुनियादी ढांचा (infrastructure) का मुद्दा है, जो एल्गोरिदम या कंप्यूटरों के समान ही महत्वपूर्ण है। जैसे-जैसे विज्ञान एक ऐसे भविष्य की ओर बढ़ रहा है जहाँ मशीनें नई सामग्रियों की खोज में मदद करती हैं, मानव प्रयोग का रिकॉर्ड सही मायने में "मशीन-पठनीय" (machine-readable) बनाया जाना चाहिए। इसका अर्थ केवल नंबर होना नहीं है, बल्कि यह सुनिश्चित करना है कि नंबर अस्पष्ट न हों, उनका पता लगाया जा सके और वे सुसंगत हों। शोधकर्ता इस बात पर जोर देते हैं कि डेटा की गुणवत्ता में सुधार करना एक मामूली संपादकीय कार्य नहीं है, बल्कि अगली पीढ़ी की वैज्ञानिक खोज के लिए एक पूर्व शर्त है। यदि इनपुट दोषपूर्ण है, तो आउटपुट भी दोषपूर्ण होगा, चाहे आर्टिफिशियल इंटेलिजेंस कितनी भी स्मार्ट क्यों न हो जाए। आगे का रास्ता एक संस्कृति में बदलाव की मांग करता है, जहाँ रिपोर्टिंग की स्पष्टता को खोज (discovery) के समान ही महत्व दिया जाए, जिससे यह सुनिश्चित हो सके कि विज्ञान का डिजिटल भविष्य एक ठोस नींव पर बना 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।