Exploring Joint-Embedding Predictive Architectures for Self-Supervised Representation Learning of Powder X-ray Diffraction Patterns

सामग्री विज्ञान (मटेरियल साइंस) लगभग हर आधुनिक आविष्कार के पीछे का इंजन है, हमारे फोन की बैटरी से लेकर हमारे हवाई जहाजों में इस्तेमाल होने वाले मिश्र धातुओं तक। इस क्षेत्र के केंद्र में एक मौलिक चुनौती निहित है: यह समझना कि एक ठोस के भीतर परमाणुओं की व्यवस्था वास्तव में कैसी है। वैज्ञानिक लंबे समय से इस पहेली को सुलझाने के लिए 'पाउडर एक्स-रे विवर्तन' (पॉउडर एक्स-रे डिफ्रैक्शन) नामक तकनीक पर भरोसा करते आए हैं। जब एक्स-रे की एक किरण पाउडर वाले नमूने से टकराती है, तो परमाणु प्रकाश को बिखेर देते हैं, जिससे चमकीले धब्बों और गहरे अंतराल का एक अनूठा पैटर्न बनता है। यह पैटर्न एक फिंगरप्रिंट की तरह कार्य करता है, जो क्रिस्टल के दानों के आकार, सामग्री के भीतर तनाव और परमाणुओं की विशिष्ट व्यवस्था को प्रकट करता है। हालाँकि, इन फिंगरप्रिंट्स को स्वचालित रूप से पढ़ना एक बाधा बन गया है। जैसे-जैसे प्रयोगशालाएँ अधिक तेज़ और स्वचालित होती जा रही हैं, उनके द्वारा उत्पन्न डेटा की मात्रा पारंपरिक सॉफ्टवेयर की व्याख्या करने की क्षमता से कहीं अधिक हो गई है। ये पैटर्न जटिल होते हैं; सामग्री की संरचना में मामूली बदलाव भी चोटियों (पीक्स) को गैर-रेखीय (नॉन-लीनियर) तरीके से खिसका सकते हैं, और जब एक नमूने में विभिन्न सामग्रियों का मिश्रण होता है, तो पैटर्न एक अराजक उलझन की तरह ओवरलैप हो जाते हैं जिसे कंप्यूटर के लिए सुलझाना अविश्वसनीय रूप से कठिन होता है।

इन बाधाओं को दूर करने के लिए, नेशनल इंस्टीट्यूट ऑफ स्टैंडर्ड्स एंड टेक्नोलॉजी के शोधकर्ताओं ने कंप्यूटर को इन पैटर्नों को समझने के लिए सिखाने हेतु एक नए दृष्टिकोण की ओर रुख किया है। भारी मात्रा में लेबल किए गए डेटा पर निर्भर रहने या पैटर्न की सटीक छवि को पिक्सेल-दर-पिक्सेल पुनर्गठित करने के बजाय, उन्होंने 'जॉइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर' नामक विधि का उपयोग किया। कल्पना कीजिए कि एक छात्र चेहरे को उसके हर एक रोमछिद्र और झुर्री को याद करके नहीं, बल्कि चेहरे की अंतर्निहित संरचना को समझकर पहचानना सीखता है। यह नया मॉडल इसी तरह काम करता है। यह एक्स-रे पैटर्न के एक हिस्से को देखता है और लापता हिस्सों की भविष्यवाणी करने की कोशिश करता है, लेकिन यह ग्राफ की सटीक रेखाओं को फिर से बनाने के बजाय एक सरल, अमूर्त स्थान (एब्स्ट्रैक्ट स्पेस) में ऐसा करता है। चोटियों के बीच के उच्च-स्तरीय संबंधों पर ध्यान केंद्रित करके, मॉडल शोर (नॉइज़) के सूक्ष्म विवरणों के बजाय डेटा के गहरे, भौतिक अर्थ को समझने में सक्षम होता है।

इस प्रयोग के परिणाम आश्चर्यजनक हैं। जब शोधकर्ताओं ने क्रिस्टल की समरूपता (जिसे स्पेस ग्रुप कहा जाता है) की पहचान करने के कार्य के लिए इस स्व-शिक्षित मॉडल का परीक्षण किया, तो इसने लगभग 62 प्रतिशत की सटीकता के साथ प्रदर्शन किया। यह उल्लेखनीय है क्योंकि इस मॉडल ने पारंपरिक, पूर्णतः पर्यवेक्षित (सुपरवाइज्ड) प्रणालियों की तुलना में बहुत कम कंप्यूटिंग शक्ति का उपयोग करते हुए यह उपलब्धि हासिल की। वास्तव में, एक बहुत बड़ी, अधिक जटिल प्रणाली, जिसे मानव लेबल वाले लाखों विशिष्ट उदाहरणों पर प्रशिक्षित किया जाना था, इस लीन (छरहरे), स्व-पर्यवेक्षित मॉडल की तुलना में खराब प्रदर्शन करती रही। शोधकर्ताओं ने पाया कि मॉडल ने डेटा को इतनी प्रभावी ढंग से व्यवस्थित किया कि एक बहुत छोटा, सरल एड-ऑन परिणामों को पढ़ सकता था और सामग्री के गुणों के बारे में सटीक भविष्यवाणी कर सकता था। यह सुझाव देता है कि मॉडल ने वास्तव में क्रिस्टलोग्राफी के नियमों को सीखा था, न कि केवल उदाहरणों को रटा था।

सरल वर्गीकरण से परे, इस अध्ययन ने खुलासा किया कि मॉडल ने सामग्रियों के बदलने का एक परिष्कृत आंतरिक मानचित्र विकसित कर लिया था। जब शोधकर्ताओं ने मॉडल के आंतरिक डेटा स्पेस में आवाजाही की, तो उन्होंने एक सुचारू, निरंतर पथ की खोज की जो सीधे एक्स-रे पैटर्न में चोटियों के चौड़ा होने (ब्रॉडनिंग) के अनुरूप था। यह एक भौतिक घटना है जो क्रिस्टल के आकार या उपयोग किए गए उपकरण के कारण होती है, और मॉडल ने बिना यह बताए कि वह क्या देख रहा है, इस विशिष्ट परिवर्तन को अलग करना सीख लिया था। इससे भी अधिक आश्चर्यजनक रूप से, मॉडल ने सामग्रियों के मिश्रण को संभालने की क्षमता प्रदर्शित की, जो एक ऐसा कार्य है जिसके कारण पारंपरिक एल्गोरिदम अक्सर विफल हो जाते हैं। जब शोधकर्ताओं ने दो अलग-अलग एकल सामग्रियों के आंतरिक निरूपण (इंटरनल रिप्रेजेंटेशन) को मॉडल के मन में मिलाया, तो परिणामी आउटपुट एक वास्तविक पैटर्न था जो दोनों सामग्रियों के भौतिक मिश्रण जैसा दिखता था। यह तब हुआ जब मॉडल को कभी भी मिश्रित नमूनों पर प्रशिक्षित नहीं किया गया था; इसने केवल सामग्रियों के संयोजन के निरंतर तर्क को सीखा था।

यह कार्य सामग्रियों की खोज के भविष्य के लिए एक नया मार्ग सुझाता है। कंप्यूटर को स्व-पर्यवेक्षित शिक्षण (सेल्फ-सुपरवाइज्ड लर्निंग) के माध्यम से एक्स-रे पैटर्न के भौतिकी को समझाकर, वैज्ञानिक ऐसी प्रणालियाँ बना सकते हैं जो तेज़, अधिक कुशल और वास्तविक दुनिया के प्रयोगों के शोर के प्रति अधिक मजबूत हों। बिना किसी विशाल पूर्व-लेबल लाइब्रेरी की आवश्यकता के, यह अनुमान लगाने की क्षमता कि कोई सामग्री कैसे व्यवहार करेगी या मिश्रण की पहचान करने की क्षमता, पूर्णतः स्वायत्त प्रयोगशालाओं के सपने को वास्तविकता के करीब लाती है। मॉडल केवल ग्राफ पर रेखाएं नहीं देखता; यह उन रेखाओं द्वारा बताई जाने वाली संरचनात्मक कहानी को समझता है, जो अगली पीढ़ी की सामग्रियों की खोज को गति देने के लिए एक शक्तिशाली नया उपकरण प्रदान करता है।