Learning the Chronology of Materials Discovery for Synthesizability Prediction
यह शोध पत्र ChronoSyn को प्रस्तुत करता है, जो एक कालक्रम-जागरूक (chronology-aware) मशीन लर्निंग मॉडल है जो संरचना डेटा और सामग्रियों की खोज के ऐतिहासिक प्रक्षेपवक्र (historical trajectory) से संयुक्त रूप से सीखकर सामग्रियों की संश्लेषणीयता (synthesizability) के पूर्वानुमान में सुधार करता है, जिससे प्रयोगात्मक रूप से साकार होने योग्य काल्पनिक संरचनाओं की प्रभावी पहचान संभव हो पाती 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
नए पदार्थों की खोज समय के विरुद्ध एक दौड़ है। वैज्ञानिक अब लाखों नए रासायनिक नुस्खों की कल्पना करने के लिए शक्तिशाली कंप्यूटरों का उपयोग कर सकते हैं, जो बैटरी, सौर पैनल और दवाओं के लिए संभावित उम्मीदवारों का प्रस्ताव प्रयोगशाला में परीक्षण करने की तुलना में कहीं अधिक तेज़ी से दे सकते हैं। यह एक बाधा उत्पन्न करता है: सैद्धांतिक संभावनाओं का एक विशाल महासागर जहाँ केवल एक बहुत छोटा हिस्सा ही वास्तव में बनाया जा सकता है और काम करने के लिए सिद्ध किया जा सकता है। इस राह को खोजने के लिए, शोधकर्ताओं ने कंप्यूटर मॉडल विकसित किए हैं जो यह अनुमान लगाने की कोशिश करते हैं कि इनमें से कौन से काल्पनिक नुस्खे वास्तव में प्रयोगशाला में साकार किए जा सकते हैं। पारंपरिक रूप से, ये मॉडल विज्ञान के इतिहास को एक स्थिर सूची के रूप में देखते हैं, जो केवल इस बात पर ध्यान देते हैं कि क्या बनाया गया है और क्या नहीं, बिना इस बात पर विचार किए कि खोज कब या क्यों हुई। वे यह मान लेते हैं कि एक नए पदार्थ का मार्ग यादृच्छिक (रैंडम) है, इस तथ्य की अनदेखी करते हुए कि मानव खोज एक विशिष्ट, विकसित होती कहानी का अनुसरण करती है जो उपलब्ध उपकरणों, वित्त पोषण और बदलते वैज्ञानिक हितों द्वारा आकार लेती है।
इंपीरियल कॉलेज लंदन के शोधकर्ताओं की एक टीम ने 'क्रोनोसिन' (ChronoSyn) नामक एक नया दृष्टिकोण पेश किया है जो इन भविष्यवाणियों को किए जाने के तरीके को बदल देता है। सामग्रियों के इतिहास को केवल तथ्यों के एक साधारण संग्रह के रूप में मानने के बजाय, यह मॉडल खोज की समयरेखा (टाइमलाइन) से सीखता है। यह पहचानता है कि वैज्ञानिकों द्वारा नए सामग्रियां खोजने का क्रम यादृच्छिक नहीं है; यह व्यावहारिक आवश्यकताओं और तकनीकी प्रगति द्वारा संचालित एक प्रगति को दर्शाता है। कंप्यूटर को इस ऐतिहासिक अनुक्रम को समझने के लिए प्रशिक्षित करके, मॉडल को इस बात की गहरी अंतर्दृष्टि प्राप्त होती है कि कौन से रासायनिक संयोजन वास्तव में अगले चरण में संश्लेषित (synthesize) होने की संभावना रखते हैं। शोधकर्ताओं ने पाया कि पिछले खोजों की तारीखों को शामिल करने से, मॉडल नए सामग्रियां पहचानने में काफी बेहतर हो गया, यहाँ तक कि उन सामग्रियों को भी जो पहले कभी नहीं देखी गई थीं।
इस कार्य का मूल आधार यह है कि मॉडल सूचनाओं को कैसे संसाधित करता है। यह एक रासायनिक संरचना—तत्वों के एक विशिष्ट मिश्रण—को लेता है और उसे एक डिजिटल फिंगरप्रिंट में बदल देता है। इस फिंगरप्रिंट को फिर कंप्यूटर प्रोग्राम के दो अलग-अलग हिस्सों में एक साथ डाला जाता है। एक भाग यह भविष्यवाणी करने की कोशिश करता है कि क्या उस पदार्थ का संश्लेषण किया जा सकता है, जबकि दूसरा भाग यह अनुमान लगाने की कोशिश करता है कि वह पदार्थ अन्य पदार्थों के सापेक्ष कब खोजा गया होगा। मॉडल ज्ञात सामग्रियों के जोड़ों की तुलना करके सीखता है, अपने आंतरिक तर्क को इस तरह समायोजित करता है कि वह हाल के वर्षों में रिपोर्ट की गई सामग्रियों को एक "बाद का" (later) स्कोर और लंबे समय पहले खोजी गई सामग्रियों को "पहले का" (earlier) स्कोर प्रदान करे। यह दोहरा कार्य कंप्यूटर को रसायन विज्ञान की एक ऐसी साझा समझ बनाने के लिए मजबूर करता है जो समय के प्रवाह का सम्मान करती है। परिणाम एक ऐसी प्रणाली है जो न केवल ज्ञात सामग्रियों की सूची को याद नहीं करती, बल्कि यह भी समझती है कि विज्ञान रासायनिक क्षेत्र (केमिकल स्पेस) में कैसे आगे बढ़ता है।
जब मानक मॉडलों के विरुद्ध परीक्षण किया गया जो समयरेखा की अनदेखी करते हैं, तो क्रोनोसिन अधिक सटीक साबित हुआ। सैकड़ों हजारों ज्ञात और काल्पनिक सामग्रियों वाले डेटाबेस का उपयोग करने वाले प्रयोगों में, नए मॉडल ने वास्तविक, संश्लेषणात्मक यौगिकों के उच्च प्रतिशत को सही ढंग से पहचाना। यह सुधार केवल एक मामूली सांख्यिकीय उछाल नहीं था; यह एक स्पष्ट संकेत था कि खोज का इतिहास मूल्यवान सुराग प्रदान करता है। शोधकर्ताओं ने देखा कि मॉडल ने सामग्रियों को इस तरह से समूहित करना सीखा जो उनके वास्तविक इतिहास को दर्शाता है। कंप्यूटर के आंतरिक मानचित्र में, 1970 और 1980 के दशक में खोजी गई सामग्रियां एक क्षेत्र में केंद्रित थीं, जबकि 2010 और 2020 के दशक में खोजी गई सामग्रियां दूसरे क्षेत्र में जमा थीं। इस संगठन ने मॉडल को उन रासायनिक परिवारों के बीच अंतर करने की अनुमति दी जो पूरी तरह से खोजे जा चुके हैं और वे जो अभी भी जांच के दौर में हैं।
समयरेखा को पढ़ने की यह क्षमता उन सामग्रियों को देखने में विशेष रूप से उपयोगी साबित हुई जो अभी तक रिपोर्ट नहीं की गई थीं। मॉडल ने काल्पनिक संरचनाओं के उन समूहों की पहचान की जो हाल के दशकों में खोजी गई रासायनिक श्रेणियों के समान थे। इन "हालिया-समान" (recent-like) सामग्रियों को पुरानी दिखने वाली सामग्रियों की तुलना में संश्लेषण क्षमता के लिए उच्च स्कोर दिया गया। शोधकर्ताओं ने पाया कि यह तर्कसंगत था: रासायनिक क्षेत्र जिनका हाल ही में सक्रिय रूप से अध्ययन किया गया है, जैसे कि लिथियम-आयन बैटरी या ईंधन सेल के लिए उपयोग किए जाने वाले, अभी भी खोजे जा रहे हैं, जिसका अर्थ है कि इन क्षेत्रों में अनरिपोर्ट की गई सामग्रियों के वास्तविक होने की अधिक संभावना है। इसके विपरीत, रासायनिक क्षेत्र जिनका दशकों पहले गहन अध्ययन किया गया था लेकिन अब शांत हो गए हैं, उनमें वास्तव में बनाना कठिन या असंभव होने की अधिक संभावना है। मॉडल ने प्रभावी रूप से अतीत की खोज के "बैकवॉटर" (पिछड़े क्षेत्रों) के बजाय वर्तमान अनुसंधान के "फ्रंटियर" (सीमांत क्षेत्रों) को प्राथमिकता देना सीख लिया।
इस दृष्टिकोण के व्यावहारिक मूल्य का परीक्षण करने के लिए, शोधकर्ताओं ने एक पूर्वव्यापी (retrospective) प्रयोग किया। उन्होंने मॉडल को केवल एक विशिष्ट वर्ष तक उपलब्ध ज्ञान का उपयोग करके प्रशिक्षित किया, जैसे कि 2018, और फिर उससे यह भविष्यवाणी करने के लिए कहा कि उस तारीख के बाद कौन सी सामग्रियां खोजी जाएंगी। क्रोनोसिन ने इन भविष्य की खोजों की पहचान करने में मानक मॉडलों की तुलना में लगातार बेहतर प्रदर्शन किया। इसने उन संरचनाओं को सफलतापूर्वक चिह्नित किया जो कट-ऑफ वर्ष के बाद वैज्ञानिक साहित्य में वास्तव में रिपोर्ट की गई थीं, जिससे यह प्रदर्शित हुआ कि मॉडल भविष्य का पूर्वानुमान लगाने के लिए अतीत का उपयोग कर सकता है। यह सुझाव देता है कि वैज्ञानिकों ने अब तक सामग्रियां खोजने के लिए जो पथ अपनाया है, उसमें इस बात का नक्शा है कि अगली सफलताएं कहाँ होंगी।
अध्ययन ने यह भी खुलासा किया कि मॉडल दुर्लभ तत्वों, जैसे कि लैंथेनाइड्स जैसे f-ब्लॉक तत्वों वाले जटिल पदार्थों की पहचान करने में विशेष रूप से सक्षम था। ये सामग्रियां अक्सर खोज की विशिष्ट लहरों में दिखाई देती हैं, जिसमें शोध के तीव्र दौर के बाद शांत समय आता है। क्योंकि मॉडल ने इन लहरों के समय को समझा, इसलिए वह बेहतर तरीके से पहचान सका कि कब एक नई संरचना वर्तमान में सक्रिय अनुसंधान प्रवृत्ति में फिट बैठती है। जब टीम ने 5 करोड़ संभावित रासायनिक संयोजनों के विशाल काल्पनिक स्थान पर क्रोनोसिन को लागू किया, तो इसने उन विशिष्ट यौगिक परिवारों को उजागर किया जिनके वास्तविक होने की संभावना थी। वैज्ञानिक रिकॉर्ड के साथ मिलान करने पर पुष्टि हुई कि इनमें से कई उच्च-स्कोर वाले अनुमान वास्तव में वे पदार्थ थे जिन्हें अतीत में संश्लेषित और रिपोर्ट किया गया था लेकिन प्रशिक्षण के लिए उपयोग किए गए मुख्य डेटाबेस में मौजूद नहीं थे।
शोधकर्ता स्वीकार करते हैं कि उनकी पद्धति की सीमाएं हैं। मॉडल प्रकाशन तिथियों पर निर्भर करता है, जो खोज का एक प्रतिनिधि (proxy) है और हमेशा उस सटीक क्षण से मेल नहीं खा सकता जब किसी पदार्थ को पहली बार बनाया गया था। यह मानव अनुसंधान के पूर्वाग्रहों को भी दर्शाता है, जो संभावित रूप से उन रासायनिक क्षेत्रों का पक्ष ले सकता है जिन्होंने ऐतिहासिक रूप से ध्यान आकर्षित किया है, जबकि उपेक्षित लेकिन आशाजनक क्षेत्रों की अनदेखी कर सकता है। इसके अलावा, मॉडल यह भविष्यवाणी करता है कि एक रासायनिक सूत्र संभव है या नहीं, लेकिन यह अभी तक उन विशिष्ट क्रिस्टल संरचनाओं के बारे में विचार नहीं करता है जो किसी पदार्थ को स्थिर या अस्थिर बना सकते हैं। इसके बावजूद, यह कार्य प्रदर्शित करता है कि विज्ञान का इतिहास केवल वह नहीं है जो किया गया है, बल्कि वह है जो किया जा सकता है। खोज की कालानुक्रमिक पद्धति को सीखकर, वैज्ञानिक अब भविष्य के विशाल और अनछुए क्षेत्रों में अधिक प्रभावी ढंग से नेविगेट करने के लिए अतीत का उपयोग कर सकते हैं।
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।