In the age of big data and AI: do we still need chemical bonds?
यह शोध पत्र तर्क देता है कि एआई (AI) के युग में भी रासायनिक बंधन (chemical bonding) अनिवार्य बना हुआ है, यह प्रदर्शित करते हुए कि डीप लर्निंग मॉडल स्वाभाविक रूप से अपने लेटेंट स्पेस (latent spaces) से बॉन्डिंग अवधारणाओं को पुनः प्राप्त करते हैं और स्पष्ट बॉन्डिंग डिस्क्रिप्टर (bonding descriptors) सामग्री के गुणों के पूर्वानुमानों में महत्वपूर्ण सुधार करते हैं, जिससे रासायनिक बंधन को इलेक्ट्रॉनिक संरचना के एक सीखने योग्य (learnable), संकुचित (compressible) प्रतिनिधित्व के रूप में पुनर्गठित किया जा सके।
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
रसायन विज्ञान इस बात का विज्ञान है कि पदार्थ कैसे एक साथ जुड़े रहते हैं और कैसे बदलते हैं। इसके मूल में एक सरल, शक्तिशाली विचार निहित है: रासायनिक बंध (chemical bond)। एक सदी से अधिक समय से, वैज्ञानिकों ने इस अवधारणा का उपयोग यह समझाने के लिए किया है कि परमाणु क्यों आपस में जुड़कर अणु बनाते हैं, कुछ सामग्रियां कठोर क्यों होती हैं जबकि अन्य नरम होती हैं, और पदार्थ एक-दूसरे के साथ कैसे प्रतिक्रिया करते हैं। कार्बन-आधारित जीवन और प्लास्टिक से संबंधित कार्बनिक रसायन विज्ञान की दुनिया में, इन बंधों को अक्सर परमाणुओं को जोड़ने वाली स्पष्ट रेखाओं के रूप में देखा जाता है, ठीक वैसे ही जैसे किसी शहर का मानचित्र। हालाँकि, अकार्बनिक ठोस पदार्थों—धातुओं, सिरेमिक और खनिजों जैसी सामग्रियों—की विशाल और जटिल दुनिया में, यह चित्र धुंधला हो जाता है। इन सामग्रियों में परमाणु हमेशा व्यवस्थित, अनुमानित जोड़ों में नहीं जुड़ते। कभी-कभी वे इलेक्ट्रॉनों को एक सामूहिक बादल के रूप में साझा करते हैं, या ऐसे तरीकों से परस्पर क्रिया करते हैं जो सरल चित्रण की सीमाओं को चुनौती देते हैं। इस अस्पष्टता के कारण, रसायनशास्त्रियों ने इन संबंधों का वर्णन करने के लिए कई अलग-अलग तरीके विकसित किए हैं, जिनमें से कोई भी पूरी तरह से अद्वितीय या सार्वभौमिक रूप से सही नहीं है।
आज, प्रयोगशाला में एक नई शक्ति का प्रवेश हुआ है: कृत्रिम बुद्धिमत्ता (artificial intelligence)। शक्तिशाली कंप्यूटर मॉडल अब अविश्वसनीय गति और सटीकता के साथ सामग्रियों के गुणों की भविष्यवाणी कर सकते हैं, जो अक्सर केवल परमाणुओं की स्थिति और उनके प्रकारों को देखकर किया जाता है, बिना कभी स्पष्ट रूप से यह पूछे कि "यह किस प्रकार का बंध है?" इसने एक उत्तेजक प्रश्न खड़ा कर दिया है: यदि मशीनें बंधों को समझे बिना सामग्रियों के नियमों को सीख सकती हैं, तो क्या हमें अभी भी रासायनिक बंध की अवधारणा की आवश्यकता है? क्या यह एक पुराना अवशेष है, या इसमें वह कुंजी छिपी है जिसे मशीनें अभी तक नहीं खोज पाई हैं?
जर्मनी के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए रासायनिक बंध और कृत्रिम बुद्धिमत्ता के बीच के संबंध को परखने का निर्णय लिया। उन्होंने केवल यह नहीं पूछा कि क्या मशीनें गुणों की भविष्यवाणी कर सकती हैं; उन्होंने यह पूछा कि मशीनें वास्तव में क्या सीख रही हैं। उन्होंने सामग्री विज्ञान में उपयोग किए जाने वाले सबसे उन्नत प्रकार के कृत्रिम बुद्धिमत्ता मॉडलों का परीक्षण किया, जिन्हें 'फाउंडेशन मॉडल्स' कहा जाता है। ये मॉडल क्रिस्टल संरचनाओं और उनकी ऊर्जा के विशाल डेटाबेस पर प्रशिक्षित होते हैं, जिससे वे यह सीखते हैं कि परमाणु कैसे परस्पर क्रिया करते हैं। शोधकर्ता यह देखना चाहते थे कि क्या इन मॉडलों की जटिल गणितीय संरचना के भीतर रासायनिक बंधन का कोई ऐसा प्रतिनिधित्व छिपा है जो उन विवरणों से मेल खाता है जिनका उपयोग रसायनशास्त्रियों ने दशकों से किया है।
टीम ने सबसे पहले 'एलेग्रो' (Allegro) नामक एक मॉडल का परीक्षण किया। यह मॉडल किसी सामग्री की कुल ऊर्जा को परमाणुओं के युग्मों (pairs) के योगदान में विभाजित करता है, जो प्रभावी रूप से प्रत्येक जुड़ाव के लिए एक "बंध ऊर्जा" (bond energy) बनाता है। शोधकर्ताओं ने इन मशीन-जनित बंध ऊर्जाओं की तुलना पारंपरिक, क्वांटम-मैकेनिकल मापों से की, जो जटिल भौतिक समीकरणों का उपयोग करके बंध की मजबूती और बंध क्रम (bond order) को दर्शाते हैं। उन्हें एक आश्चर्यजनक संबंध मिला। मशीन की आंतरिक बंध ऊर्जा, बंध की मजबूती और साझा किए गए इलेक्ट्रॉनों की संख्या के पारंपरिक मापों के साथ दृढ़ता से मेल खाती थी। वास्तव में, मशीन ने इन रासायनिक अवधारणाओं को पहचाना था, जबकि उसे कभी यह नहीं बताया गया था कि वे क्या हैं। इसने इन अवधारणाओं को स्वयं खोज लिया था, केवल सामग्री की ऊर्जा की भविष्यवाणी करने के प्रयास में।
उन्होंने इस जांच को 'मेस' (MACE) नामक दूसरे मॉडल के साथ दोहराया। यह मॉडल केवल जोड़ों के बजाय प्रत्येक परमाणु के स्थानीय परिवेश (local environment) को देखता है। शोधकर्ताओं ने जाँच की कि क्या मॉडल की प्रत्येक परमाणु के परिवेश के प्रति आंतरिक समझ, विद्युत आवेश (electric charge) की रासायनिक अवधारणा से मेल खाती है। एक बार फिर, मशीन ने पैटर्न सीख लिया था। मॉडल द्वारा परमाणु के परिवेश का वर्णन करने के लिए उपयोग किए जाने वाले आंतरिक अंक, उस परमाणु के विद्युत आवेश के साथ निकटता से संरेखित थे, जो एक मौलिक गुण है कि वह अपने पड़ोसियों के साथ कैसे परस्पर क्रिया करता है। मशीन को आवेश या बंधन के नियमों के साथ प्रोग्राम नहीं किया गया था; इसने उन्हें डेटा से स्वतः ही निष्कर्षित कर लिया था।
हालाँकि, शोधकर्ता केवल यह दिखाने तक ही नहीं रुके कि मशीनें इन अवधारणाओं को सीखती हैं। उन्होंने उल्टा प्रश्न पूछा: यदि हम मशीनों को रासायनिक बंधों की स्पष्ट भाषा प्रदान करते हैं, तो क्या इससे वे बेहतर बनती हैं? इसका परीक्षण करने के लिए, उन्होंने एक मानक मशीन-लर्निंग मॉडल का नया संस्करण बनाया और उसमें स्पष्ट रासायनिक डेटा डाला। उन्होंने मॉडल को क्वांटम गणनाओं से प्राप्त बंध मजबूती और बंध क्रम के अंक प्रदान किए, और सामान्य परमाणु स्थितियों की जानकारी के साथ-साथ दिए। फिर उन्होंने मॉडल से कठिन भौतिक गुणों की भविष्यवाणी करने को कहा, जैसे कि कोई सामग्री कितनी सख्त है (उसका बल्क मॉड्यूलस) या वह खरोंच के प्रति कितनी प्रतिरोधी है (उसका शियर मॉड्यूलस)।
परिणाम स्पष्ट थे। जिस मॉडल को स्पष्ट रासायनिक बंध संबंधी जानकारी दी गई थी, उसने काफी बेहतर भविष्यवाणियाँ कीं। कठोरता और शियर प्रतिरोध जैसे गुणों के लिए, भविष्यवाणियों में त्रुटि उन मॉडलों की तुलना में पंद्रह प्रतिशत कम हो गई जो केवल परमाणुओं की स्थिति को देखते थे। यह सिद्ध हुआ कि जबकि मशीनें बंधन के प्रभावों की नकल करना सीख सकती हैं, रासायनिक बंध की वास्तविक भाषा देना एक 'शॉर्टकट' प्रदान करता है। यह उन्हें सामग्री को अधिक गहराई से समझने और अधिक सटीक अनुमान लगाने की अनुमति देता है, विशेष रूप से उन गुणों के लिए जो परमाणुओं के बीच इलेक्ट्रॉनों के साझाकरण पर अत्यधिक निर्भर करते हैं।
अध्ययन सुझाव देता है कि रसायन विज्ञान और कृत्रिम बुद्धिमत्ता के बीच का संबंध एक ऐसी प्रतिस्पर्धा नहीं है जहाँ एक दूसरे को प्रतिस्थापित करता है। इसके बजाय, वे भागीदार हैं। मशीनें अपने आप बंधन के छिपे हुए पैटर्न खोजने में सक्षम हैं, लेकिन वे हमेशा इन पैटर्न को उस तरह से व्यक्त नहीं करती हैं जिसे मनुष्य आसानी से पढ़ या उपयोग कर सकें। इसके विपरीत, रासायनिक बंधों की पारंपरिक अवधारणाएं, हालांकि कभी-कभी अस्पष्ट होती हैं, इलेक्ट्रॉनों के जटिल नृत्य का वर्णन करने का एक संक्षिप्त और सार्थक तरीका प्रदान करती हैं। जब इन मानव-अनुकूल अवधारणाओं को मशीनों में डाला जाता है, तो वे एक मार्गदर्शक के रूप में कार्य करती हैं, जिससे मॉडल सबसे महत्वपूर्ण भौतिक विवरणों पर ध्यान केंद्रित कर पाते हैं।
शोधकर्ता निष्कर्ष निकालते हैं कि बिग डेटा और कृत्रिम बुद्धिमत्ता का युग रासायनिक बंध को अप्रासंगिक नहीं बनाता है। इसके बजाय, यह इन अवधारणाओं का मूल्यांकन और परिशोधन करने का एक नया तरीका प्रदान करता है। यदि एक मशीन डेटा से बंधन के नियमों को सीख सकती है, और यदि वे नियम मशीन को नई सामग्रियों के व्यवहार की भविष्यवाणी करने में मदद करते हैं, तो यह बंध की अवधारणा को एक उपयोगी और शक्तिशाली उपकरण के रूप में प्रमाणित करता है। लक्ष्य अब एक एकल, पूर्ण परिभाषा खोजना नहीं है, बल्कि उस विवरण को खोजना है जो हमें भविष्य की सामग्रियों को समझने और डिजाइन करने में सबसे अच्छी तरह मदद करे। इस नए युग में, रासायनिक बंधन केवल एक स्थिर नियम पुस्तिका नहीं है; यह एक सीखने योग्य भाषा है जो क्वांटम यांत्रिकी की अमूर्त दुनिया को उन सामग्रियों की मूर्त वास्तविकता से जोड़ती है जिन्हें हम बनाते हैं और उपयोग करते 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।