Autonomous adaptive spectral analysis with an LLM agent for self-driving laboratories
यह शोध पत्र एक ऐसे स्वायत्त एजेंट को प्रस्तुत करता है जो सेल्फ-ड्राइविंग प्रयोगशालाओं में स्पेक्ट्रल डेटा अपवादों को अनुकूल रूप से संभालने के लिए एक लार्ज लैंग्वेज मॉडल को नियत संख्यात्मक विश्लेषण (deterministic numerical analysis) के साथ एकीकृत करता है, जो अधिकांश विफल ऑप्टिकल ट्रांसमिटेंस स्पेक्ट्रा के लिए मात्रात्मक उरबाच ऊर्जा (Urbach energy) मानों को सफलतापूर्वक पुनर्प्राप्त करता है और संदिग्ध मामलों के लिए वैज्ञानिक रूप से सुदृढ़ अस्वीकारियाँ प्रदान करता है।
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
तेज़ इलेक्ट्रॉनिक्स, लंबे समय तक चलने वाली बैटरी या अधिक कुशल सौर सेल के लिए नए पदार्थों की खोज की दौड़ में, वैज्ञानिक अक्सर एक कठिन चुनौती का सामना करते हैं: संभावनाओं का क्षेत्र इतना विशाल है कि इसे हाथ से खोजना असंभव है। कल्पना कीजिए कि आप आटे, चीनी और तापमान के हर संभव संयोजन का परीक्षण करके केक की एकदम सही रेसिपी खोजने की कोशिश कर रहे हैं; इसमें एक पूरा जीवन बीत जाएगा। इस प्रक्रिया को तेज करने के लिए, शोधकर्ताओं ने "सेल्फ-ड्राइविंग प्रयोगशालाएं" (स्व-चालित प्रयोगशालाएं) बनाई हैं। ये स्वचालित प्रणालियाँ हैं जो मानव हाथों के बिना रसायनों को मिलाती हैं, क्रिस्टल उगाती हैं और गुणों का परीक्षण करती हैं, और अगला प्रयोग कौन सा करना है, यह तय करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करती हैं। इसका लक्ष्य एक निरंतर लूप बनाना है जहाँ मशीन प्रत्येक परिणाम से सीखती है और तुरंत अगला प्रयोग डिजाइन करती है, जिससे खोज की गति बढ़ जाती है।
हालाँकि, इन स्वचालित प्रयोगशालाओं में एक महत्वपूर्ण बाधा उत्पन्न हुई है। जबकि मशीनें कच्चा डेटा एकत्र करने में उत्कृष्ट हैं—जैसे कि यह मापना कि एक पतली फिल्म से कितना प्रकाश गुजरता है—वे तब डेटा की व्याख्या करने में संघर्ष करती हैं जब चीजें थोड़ी सी गलत हो जाती हैं। एक मानक कंप्यूटर प्रोग्राम को यह बताया जा सकता है कि किसी उपयोगी गुण, जैसे कि कोई सामग्री कितनी अच्छी तरह ऊर्जा को अवशोषित करती है, की गणना करने के लिए प्रकाश डेटा में एक विशिष्ट पैटर्न की तलाश करे। यदि डेटा शोर युक्त (noisy) है या पैटर्न थोड़ा विकृत है, तो प्रोग्राम बस रुक जाता है और एक त्रुटि (error) रिपोर्ट करता है, जिससे रोबोट के पास कोई उत्तर नहीं बचता। एक मानव प्रयोगशाला में, एक वैज्ञानिक बिखरे हुए डेटा को देखेगा, यह महसूस करेगा कि कंप्यूटर बहुत सख्त हो रहा है, और एक विश्वसनीय संख्या प्राप्त करने के लिए सेटिंग्स को धीरे से समायोजित करेगा। एक पूरी तरह से स्वायत्त प्रयोगशाला में, मानवीय हस्तक्षेप के लिए यह ठहराव पूरी प्रक्रिया की गति को धीमा कर देता है। सवाल यह था: क्या एक मशीन उस तरह का निर्णय लेने की क्षमता सीख सकती है?
जापान में एनटीटी बेसिक रिसर्च लैबोरेटरीज के शोधकर्ताओं की एक टीम ने एक ऐसा समाधान विकसित किया है जो इस अंतर को पाटता है। उन्होंने एक बुद्धिमान एजेंट बनाया है, जो एक 'लार्ज लैंग्वेज मॉडल' द्वारा संचालित है, जो स्वचालित विश्लेषण के लिए एक पर्यवेक्षक (supervisor) के रूप में कार्य करता है। डेटा निकालने के लिए उपयोग किए जाने वाले सटीक गणितीय गणनाओं को बदलने के बजाय, यह एजेंट उनके ऊपर बैठता है और परिणामों की निगरानी करता है। जब मानक विश्लेषण पूरी तरह से काम करता है, तो एजेंट परिणाम को स्वीकार करता है और आगे बढ़ जाता है। लेकिन जब मानक प्रोग्राम विफल होता है, तो एजेंट यह तय करने के लिए हस्तक्षेप करता है कि आगे क्या करना है। वह कच्चे डेटा और विफलता के कारणों की जांच करता है, और फिर विश्लेषण सेटिंग्स में एक बहुत ही विशिष्ट, सीमित समायोजन करने का प्रयास करता है। यदि ये छोटे बदलाव एक वैज्ञानिक रूप से सुदृढ़ परिणाम देते हैं, तो एजेंट मरम्मत किए गए मान (value) को स्वीकार कर लेता है। यदि डेटा बहुत अधिक बिखरा हुआ है या पैटर्न पूरी तरह से गायब है, तो एजेंट एक गलत संख्या देने के बजाय यह निर्णय लेता है कि कोई विश्वसनीय मान नहीं पाया जा सकता है।
इस प्रणाली का परीक्षण करने के लिए, शोधकर्ताओं ने इसे बीटा-गैलियम ऑक्साइड नामक एक सेमीकंडक्टर सामग्री की पतली फिल्मों से लिए गए 203 ऑप्टिकल मापों के संग्रह पर लागू किया। ये फिल्में एक पिछले स्व-चालित प्रयोग के दौरान उगाई गई थीं। मानक विश्लेषण स्क्रिप्ट, जिसका उपयोग पहले किया गया था, ने इन 203 फिल्मों में से 183 के लिए एक विशिष्ट गुणवत्ता मीट्रिक की सफलतापूर्वक गणना की, लेकिन शेष 20 के लिए विफल रही। जब नए एजेंट ने कमान संभाली, तो उसने बिना किसी बदलाव के 183 सही परिणामों की पुष्टि की। विफल हुए 20 मामलों के लिए, एजेंट ने एक कुशल समस्या निवारक (troubleshooter) की तरह काम किया। इसने विश्लेषण मापदंडों में छोटे, उचित समायोजन करके, जैसे कि गणना के लिए उपयोग किए जाने वाले डेटा की सीमा को थोड़ा बदलना, 16 मामलों को सफलतापूर्वक बहाल किया। अंतिम चार मामलों के लिए, एजेंट ने निर्धारित किया कि डेटा में किसी भी संख्या पर भरोसा करने के लिए पर्याप्त स्पष्ट पैटर्न नहीं है, इसलिए उसने सही ढंग से रिपोर्ट किया कि कोई मान प्राप्त नहीं किया जा सकता है।
परिणामस्वरूप एक ऐसी प्रणाली प्राप्त हुई जो मानवीय विशेषज्ञ की सूक्ष्मता और मशीन की गति के साथ अपवादों को संभालती है। 16 विफल विश्लेषणों को सफलतापूर्वक बहाल करके, टीम ने स्वचालित वर्कफ़्लो की सफलता दर को लगभग 98 प्रतिशत तक बढ़ा दिया। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने खराब डेटा से जबरदस्ती संख्या निकालने के जाल से खुद को बचाया; उसे पता था कि कब रुकना है और कहना है "मुझे नहीं पता।" विज्ञान के लिए यह अंतर अत्यंत महत्वपूर्ण है, क्योंकि गलत मान रिपोर्ट करना भविष्य के प्रयोगों को गुमराह कर सकता है। एजेंट ने हर निर्णय का विस्तृत रिकॉर्ड भी रखा, जिसमें यह स्पष्ट किया गया कि उसने सेटिंग को क्यों समायोजित किया या किसी परिणाम को क्यों खारिज किया। यह पारदर्शिता सुनिश्चित करती है कि एक पूरी तरह से स्वायत्त प्रयोगशाला में, सिस्टम बिना किसी मानवीय हस्तक्षेप के लंबे समय तक चल सकता है, और केवल तभी मानवीय समीक्षा की आवश्यकता होती है जब मशीन स्वयं किसी कठिन मामले को चिह्नित करती है। यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस का उपयोग न केवल प्रयोग चलाने के लिए, बल्कि उनके द्वारा उत्पादित डेटा की गुणवत्ता को समझने के लिए भी किया जा सकता है, जिससे वैज्ञानिक लूप बंद रहता है और आगे बढ़ता रहता 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।