Reliability of AI/ML Computational Searches for Magnetic Materials: Databases, Validation, and Synthesizability

आधुनिक विज्ञान में नए चुंबकीय पदार्थों की खोज एक उच्च-दांव वाला प्रयास है, जो बेहतर मोटरों, अधिक कुशल ऊर्जा भंडारण और उन्नत इलेक्ट्रॉनिक्स की आवश्यकता से प्रेरित है। दशकों से, शोधकर्ता परीक्षण और त्रुटि (ट्रायल एंड एरर) की एक व्यवस्थित प्रक्रिया पर भरोसा करते रहे हैं, जिसमें प्रयोगशाला में तत्वों को मिलाया जाता है और उनके गुणों का परीक्षण किया जाता है। आज, हालांकि, एक शक्तिशाली नया उपकरण इस क्षेत्र में प्रवेश कर चुका है: आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता)। ये कंप्यूटर प्रोग्राम रासायनिक संयोजनों के विशाल डिजिटल पुस्तकालयों को स्कैन कर सकते हैं, और भविष्यवाणी कर सकते हैं कि किन संयोजनों में भविष्य की तकनीकों के लिए आवश्यक चुंबकीय शक्ति हो सकती है। यह वादा लुभावना है—ऐसी मशीनें जो मानव की तुलना में बहुत कम समय में आदर्श पदार्थ खोज सकती हैं। फिर भी, यह गति एक छिपे हुए जाल के साथ आती है। केवल इसलिए कि एक कंप्यूटर लाखों डेटा बिंदुओं को प्रोसेस कर सकता है, इसका मतलब यह नहीं है कि वह उन सामग्रियों की भौतिक वास्तविकता को समझता है जिनका वह अध्ययन कर रहा है। यदि डिजिटल लाइब्रेरी में इस बारे में महत्वपूर्ण विवरण गायब हैं कि परमाणु गर्म होने पर कैसे व्यवहार करते हैं या वे आपस में कैसे मिलते हैं, तो कंप्यूटर की भविष्यवाणियां गणितीय रूप से तो सटीक हो सकती हैं लेकिन भौतिक रूप से बेकार हो सकती हैं।

यही वह केंद्रीय समस्या है जिसे शोधकर्ताओं की एक टीम हल करने का प्रयास कर रही है, जो चुंबक खोजने के लिए आर्टिफिशियल इंटेलिजेंस के उपयोग के तरीके पर पुनर्विचार कर रहे हैं। उनका तर्क है कि वर्तमान दृष्टिकोण, जो अक्सर केवल डेटाबेस में प्रविष्टियाँ जोड़ने पर केंद्रित होता है, त्रुटिपूर्ण है। मुद्दा डेटा की मात्रा का नहीं है, बल्कि उसके भीतर मौजूद जानकारी की गुणवत्ता और पूर्णता का है। एक डेटाबेस में हजारों क्रिस्टल संरचनाएं हो सकती हैं, लेकिन यदि यह दर्ज करने में विफल रहता है कि वे संरचनाएं कमरे के तापमान पर कैसा व्यवहार करती हैं या जब उनके भीतर के परमाणु अव्यवस्थित होते हैं तो वे कैसे प्रतिक्रिया करते हैं, तो उनसे प्राप्त भविष्यवाणियां अविश्वसनीय होंगी। शोधकर्ता काम करने का एक नया तरीका प्रस्तावित करते हैं जो आर्टिफिशियल इंटेलिजेंस को एक अंतिम उत्तर के रूप में नहीं, बल्कि एक शुरुआती बिंदु के रूप में देखता है। वे एक चरण-दर-चरण कार्यप्रवाह का सुझाव देते हैं जहाँ कंप्यूटर के प्रारंभिक अनुमान के तुरंत बाद कठोर, भौतिकी-आधारित जाँच की जाती है, जो स्थिरता, चुंबकत्व और वास्तव में एक लैब में बनाए जाने की क्षमता का परीक्षण करती है।

यह समझाने के लिए कि इस अतिरिक्त जांच की भूमिका कितनी महत्वपूर्ण है, टीम ने एक विशिष्ट संभावित सामग्री पर ध्यान केंद्रित किया जिसे पिछले कंप्यूटर खोजों द्वारा एक नए चुंबक के रूप में आशाजनक बताया गया था। यह यौगिक, जो आयरन (लोहा), कोबाल्ट और बोरॉन से बना है, तब एक विजेता प्रतीत हुआ जब शोधकर्ताओं ने केवल परम शून्य (absolute zero) पर इसकी ऊर्जा अवस्था को देखा, जो कि सैद्धांतिक रूप से सबसे ठंडा तापमान है। उस जमी हुई अवस्था में, परमाणु एक व्यवस्थित व्यवस्था को प्राथमिकता देते दिखते थे जो एक मजबूत चुंबक बना सके। हालांकि, शोधकर्ता जानते थे कि वास्तविक दुनिया की सामग्रियां कभी भी परम शून्य पर नहीं होती हैं। उन्हें यह जानने की आवश्यकता थी कि क्या यह व्यवस्थित संरचना विनिर्माण प्रक्रिया की गर्मी में जीवित रह सकती है। उन्होंने 'सिंथेसिस विंडो' (संश्लेषण खिड़की) नामक एक अवधारणा की ओर रुख किया, जो दो महत्वपूर्ण तापमानों की तुलना करती है। एक वह तापमान है जिस पर परमाणु इतने गतिशील हो जाते हैं कि वे अपनी व्यवस्थित स्थितियों में बसने के लिए इधर-उधर घूम सकें। दूसरा वह तापमान है जिस पर वह व्यवस्थित संरचना वास्तव में सबसे स्थिर अवस्था होती है। किसी सामग्री को सफलतापूर्वक बनाने के लिए, इन दो तापमानों के बीच एक अंतर होना चाहिए—एक ऐसी खिड़की जहाँ परमाणु अपने स्थान खोजने के लिए चल सकें, लेकिन जहाँ वे स्थान अभी भी उनके लिए सबसे आरामदायक जगह हों।

जब शोधकर्ताओं ने इस आयरन-कोबाल्ट-बोरॉन यौगिक पर यह परीक्षण लागू किया, तो परिणाम चौंकाने वाले थे। जबकि व्यवस्थित संस्करण वास्तव में परम शून्य पर सबसे स्थिर था, व्यवस्थित अवस्था और अव्यवस्थित अवस्था के बीच ऊर्जा का अंतर अत्यंत कम था। इस सूक्ष्म ऊर्जा अंतराल का अर्थ था कि परमाणुओं को उनकी व्यवस्थित व्यवस्था में रखने के लिए आवश्यक तापमान कमरे के तापमान से बहुत नीचे था। वास्तव में, गणनाओं ने दिखाया कि परमाणु केवल तभी व्यवस्थित रहेंगे यदि सामग्री को लगभग 118 केल्विन तक ठंडा किया जाए, जो कि लगभग माइनस 250 डिग्री फारेनहाइट है। इस तापमान से ऊपर, परमाणु स्वाभाविक रूप से एक अव्यवस्थित मिश्रण में बदल जाएंगे, जिससे वे चुंबकीय गुण नष्ट हो जाएंगे जिनकी कंप्यूटर ने भविष्यवाणी की थी। चूंकि इस मिश्र धातु का गलनांक लगभग 1500 केल्विन है, इसलिए ऐसा कोई तापमान अंतराल नहीं है जहाँ सामग्री को पिघलाया, ठंडा किया और उसकी व्यवस्थित अवस्था में रखा जा सके। वह व्यवस्थित संरचना 'काइनेटिकली इनएक्सेसिबल' (गतिज रूप से अप्राप्य) है; यह एक सैद्धांतिक भूत है जिसे बनाया नहीं जा सकता।

यह निष्कर्ष सामग्री विज्ञान के क्षेत्र के लिए एक शक्तिशाली चेतावनी के रूप में कार्य करता है। यह प्रदर्शित करता है कि एक सामग्री कंप्यूटर सिमुलेशन में ऊर्जावान रूप से अनुकूल हो सकती है और फिर भी वास्तविक दुनिया में बनाना असंभव हो सकती है। शोधकर्ताओं ने पाया कि केवल प्रारंभिक कंप्यूटर भविष्यवाणी पर निर्भर रहने से वैज्ञानिक एक ऐसे रास्ते पर निकल जाते जो अंततः बंद था, जिससे उस सामग्री पर समय और संसाधन बर्बाद होते जो कभी चुंबक के रूप में अस्तित्व में ही नहीं आ सकती थी। अध्ययन इस बात पर जोर देता है कि आर्टिफिशियल इंटेलिजेंस मॉडल उतने ही अच्छे हैं जितनी अच्छी उन्हें दी जाने वाली भौतिक नियम हैं। यदि कोई मॉडल ऐसे डेटा पर प्रशिक्षित है जो रासायनिक अव्यवस्था या तापमान के प्रभावों को अनदेखा करता है, तो वह अनिवार्य रूप से गलत सकारात्मक (फॉल्स पॉजिटिव) परिणाम देगा। टीम का तर्क है कि समाधान बड़े डेटाबेस बनाना नहीं है, बल्कि स्मार्ट डेटाबेस बनाना है जिसमें प्रतिस्पर्धी चुंबकीय अवस्थाओं, रासायनिक मिश्रण और परिमित-तापमान व्यवहार के बारे में जानकारी शामिल हो।

अध्ययन के अनुसार, आगे का मार्ग एक पदानुक्रमित दृष्टिकोण (hierarchical approach) है जहाँ आर्टिफिशियल इंटेलिजेंस एक व्यापक जाल के रूप में कार्य करता है जो संभावित उम्मीदवारों को पकड़ता है, लेकिन जहाँ प्रत्येक पकड़े गए उम्मीदवार को तुरंत कठोर भौतिक परीक्षणों की एक श्रृंखला से गुजरना पड़ता है। इन परीक्षणों को यह सत्यापित करना चाहिए कि सामग्री न केवल निर्वात (vacuum) में स्थिर है, बल्कि गतिशील रूप से स्थिर, चुंबकीय रूप से मजबूत और काइनेटिकली सुलभ भी है। केवल मशीन लर्निंग की गति को पारंपरिक भौतिकी की गहराई के साथ जोड़कर ही शोधकर्ता उन सामग्रियों को खोजने की उम्मीद कर सकते हैं जो न केवल सैद्धांतिक रूप से दिलचस्प हैं, बल्कि व्यावहारिक रूप से उपयोगी भी हैं। आयरन-कोबाल्ट-बोरॉन का उदाहरण सिद्ध करता है कि इस कठोर सत्यापन के बिना, विज्ञान में आर्टिफिशियल इंटेलिजेंस की तीव्र प्रगति आत्मविश्वासपूर्ण लेकिन गलत भविष्यवाणियों का एक समूह बनने का जोखिम उठाती है। इन उपकरणों का वास्तविक मूल्य उनकी संख्या उत्पन्न करने की क्षमता में नहीं है, बल्कि उनकी इस क्षमता में है कि वे मानव शोधकर्ताओं को उन कुछ वास्तव में व्यवहार्य सामग्रियों की ओर निर्देशित कर सकें जो दुनिया को बदल सकती हैं।