Organizational Learning in Materials Discovery Campaigns: Which Databases, Calculations, and Agent Teams Pay Off

आधुनिक सामग्रियों की खोज में, वैज्ञानिक अक्सर प्रचुरता के विरोधाभास (paradox of plenty) का सामना करते हैं। उनके पास विभिन्न पदार्थों के लिए लाखों गणना की गई विशेषताओं वाले विशाल डिजिटल पुस्तकालयों तक पहुंच है, जैसे कि एक क्रिस्टल बिजली का संचालन कैसे करता है या उसके परमाणु कितनी मजबूती से एक साथ जुड़े रहते हैं। लंबे समय से यह आशा रही है कि केवल इन डिजिटल रिकॉर्ड्स को अधिक एकत्र करने से बेहतर खोजें संभव होंगी। यदि किसी टीम को एक विशिष्ट ऊर्जा अंतराल (energy gap) वाला अर्धचालक (semiconductor) चाहिए, या एक ऐसी मिश्र धातु जो संक्षारण (corrosion) का विरोध कर सके, तो वे प्रयोगशाला में रसायन मिलाने से पहले इन डेटाबेसों से परामर्श कर सकते हैं। हालाँकि, इन डेटाबेसों को एक ही, विशाल सत्य के भंडार के रूप में मानना भ्रामक हो सकता है। जिस तरह एक पहेली को हल करने की कोशिश कर रहे लोगों का समूह भ्रमित हो सकता है यदि हर कोई एक साथ अलग-अलग, परस्पर विरोधी उत्तर चिल्लाकर दे रहा हो, वैसे ही एक कंप्यूटर एल्गोरिदम भी भटक सकता है यदि वह सूचना के बहुत सारे अलग-अलग स्रोतों का औसत निकालने की कोशिश करता है। चुनौती केवल सही डेटा खोजने की नहीं है, बल्कि यह पता लगाने की भी है कि कौन से स्रोत वास्तव में वास्तविकता के साथ सहमत हैं और कौन से केवल एक-दूसरे को दोहरा रहे हैं या शोर (noise) पैदा कर रहे हैं।

यह वह केंद्रीय पहेली है जिसे यूटा विश्वविद्यालय के शोधकर्ताओं ने हल किया, जिन्होंने सामग्रियों की खोज की प्रक्रिया को इस दृष्टिकोण से देखा कि संगठन कैसे सीखते हैं। उन्होंने एक वैज्ञानिक अभियान को केवल गणनाओं की एक श्रृंखला के रूप में नहीं, बल्कि एक 'टीम के सदस्यों' के रूप में देखा, जहाँ प्रत्येक सदस्य एक अलग डेटाबेस, एक विशिष्ट प्रकार का कंप्यूटर सिमुलेशन, या यहाँ तक कि एक सॉफ्टवेयर एजेंट है। हजारों सिम्युलेटेड अभियानों को चलाकर, उन्होंने इन सदस्यों के हर संभव संयोजन का परीक्षण किया ताकि यह देखा जा सके कि कौन से समूह सबसे अच्छा काम करते हैं और कौन से उन्हें पीछे खींचते हैं। उनका लक्ष्य यह समझना था कि ज्ञान एक समूह में कैसे चलता है: कब एक नया स्रोत जोड़ना मदद करता है, और कब यह नुकसान पहुँचाता है? उन्होंने पाया कि उत्तर इस बात पर बहुत अधिक निर्भर करता है कि टीम की संरचना कैसी है और नई जानकारी उत्पन्न करने की लागत कितनी है।

एक प्रमुख परीक्षण में, टीम ने रासायनिक यौगिकों के विभिन्न परिवारों को उनके 'बैंड गैप' (band gap) के आधार पर रैंक करने की कोशिश की, जो इस बात का माप है कि इलेक्ट्रॉन को बिजली संचालित करने के लिए कूदने हेतु कितनी ऊर्जा की आवश्यकता होती है। उनके पास सात अलग-अलग डेटाबेस तक पहुंच थी, जिनमें से प्रत्येक में लाखों गणना किए गए मान थे। सहज रूप से, कोई सोच सकता है कि सातों का उपयोग करने से सबसे सटीक चित्र प्राप्त होगा। इसके विपरीत, शोधकर्ताओं ने पाया कि सातों के पूर्ण समूह ने केवल तीन के सावधानीपूर्वक चुने गए छोटे समूह की तुलना में खराब प्रदर्शन किया। जब उन्होंने सातों को शामिल किया, तो सामग्रियों के क्रम की सही भविष्यवाणी करने की टीम की क्षमता काफी कम हो गई। समस्या यह थी कि कुछ डेटाबेस मूल रूप से एक ही बात कह रहे थे, जबकि अन्य ऐसे अनुमान दे रहे थे जो वास्तविक दुनिया के मापों से टकरा रहे थे, जिन्हें टीम मिलाने की कोशिश कर रही थी। बहुत अधिक स्रोतों को मिलाने से, टीम ने सबसे अच्छे स्रोतों के संकेत (signal) को सबसे खराब स्रोतों के शोर (noise) के साथ पतला कर दिया। अध्ययन ने दिखाया कि तीन डेटाबेस की एक छोटी, अच्छी तरह से संरेखित टीम, सात के पूरे संग्रह की तुलना में बहुत उच्च स्तर की सटीकता प्राप्त कर सकती है।

शोधकर्ताओं ने यह भी पाया कि अतिरेक (redundancy) एक जाल हो सकता है। उनके द्वारा परीक्षण किए गए दो डेटाबेस एक ही पाइपलाइन से आए थे और उनमें रासायनिक परिवारों की समान रैंकिंग थी। जब इन दोनों को टीम के अलग-अलग सदस्यों के रूप में माना गया, तो उन्होंने प्रभावी रूप से अंतिम वोट में उस एकल राय के भार को दोगुना कर दिया, जिससे परिणाम पक्षपाती हो गए। यदि टीम ने उन्हें डुप्लिकेट के रूप में पहचान लिया होता और उन्हें एक ही गिना होता, तो परिणाम अलग होता। यह एक सूक्ष्म लेकिन महत्वपूर्ण बिंदु को उजागर करता है: अधिक डेटा होने का मतलब हमेशा अधिक जानकारी होना नहीं है। यदि दो स्रोत एक-दूसरे की प्रतियां हैं, तो दूसरे को जोड़ने से नया ज्ञान नहीं जुड़ता; यह केवल मौजूदा राय को वजन देता है, जो हानिकारक हो सकता है यदि वह राय सबसे अच्छी नहीं है।

एक अन्य प्रमुख निष्कर्ष नए ज्ञान के निर्माण की लागत से संबंधित था। पदार्थ विज्ञान में, कुछ डेटा पहले से ही अभिलेखागारों (archives) में मौजूद है, जिसका उपयोग मुफ्त में किया जा सकता है। अन्य डेटा को चलाने के लिए महंगे कंप्यूटर सिमुलेशन चलाने पड़ते हैं, जिनमें समय और कंप्यूटिंग शक्ति लगती है। शोधकर्ताओं ने पाया कि नया डेटा उत्पन्न करना केवल तभी सार्थक है जब उस डेटा का कई बार पुन: उपयोग किया जाए। उनके सिमुलेशन में, गणनाओं के एक नए सेट ने टीम को शुरुआत में ही सर्वोत्तम सामग्रियां खोजने में मदद की, लेकिन केवल इसलिए क्योंकि इसमें वे रासायनिक यौगिक शामिल थे जिनका किसी भी मौजूदा डेटाबेस में विवरण नहीं था। हालाँकि, जब उन गणनाओं को चलाने की लागत को कारक के रूप में जोड़ा गया, तो उस नए डेटा ने वास्तव में टीम को पीछे धकेल दिया। उस नए डेटा के पास होने का लाभ केवल तभी दिखाई दिया जब उन्हीं गणनाओं को कई अलग-अलग शोध अभियानों में साझा किया गया। यदि कोई टीम किसी क्षेत्र का नया नक्शा बनाने के लिए संसाधन खर्च करती है, तो वह नक्शा तभी सफल होता है जब अन्य टीमें भी उसका उपयोग करें।

अध्ययन ने यह भी देखा कि आर्टिफिशियल इंटेलिजेंस (AI) एजेंटों की टीमें कैसे मिलकर काम करती हैं। उन्होंने भाषा-मॉडल एजेंटों (language-model agents) के समूहों का परीक्षण किया, जो कि तर्क करने और निर्णय लेने के लिए डिज़ाइन किए गए सॉफ्टवेयर प्रोग्राम हैं, यह देखने के लिए कि क्या वे रैंडम सर्च (random search) की तुलना में तेजी से सर्वोत्तम सामग्रियां खोजने के लिए समन्वय कर सकते हैं। आश्चर्यजनक रूप से, ये एजेंट टीमें एक साधारण रैंडम सर्च जितना भी अच्छा प्रदर्शन नहीं कर पाईं। जब एजेंट बिना किसी स्पष्ट नेता के काम कर रहे थे, तो वे अक्सर एक ही कार्यों को दोहरा रहे थे और अवसर चूक रहे थे। जब एक समन्वयक (coordinator) को कार्य सौंपने के लिए जोड़ा गया, तो टीम में थोड़ा सुधार हुआ, लेकिन वे फिर भी रैंडम सर्च के आधार (baseline) को हराने में विफल रहे। यह सुझाव देता है कि केवल अधिक बुद्धिमान एजेंट जोड़ने से स्वचालित रूप से एक स्मार्ट टीम नहीं बन जाती; यह भी उतना ही महत्वपूर्ण है कि वे कैसे संवाद करते हैं और जानकारी साझा करते हैं।

शायद इस शोध का सबसे गतिशील हिस्सा एक अनुकूल टीम (adaptive team) था जो काम करते समय अपनी संरचना को बदल सकती थी। एक निश्चित पदानुक्रम (hierarchy) रखने के बजाय जहाँ एक सदस्य हमेशा बॉस होता है, इस टीम ने प्रत्येक परिणामों के बैच के बाद अपने सदस्यों का पुनर्मूल्यांकन किया। यदि किसी सदस्य के भविष्यवाणियां वास्तविकता से असहमत होने लगीं, तो टीम ने उस सदस्य पर अपना विश्वास कम कर दिया। यदि दो सदस्य एक-दूसरे से सहमत थे, तो टीम ने प्रयास को बर्बाद होने से बचाने के लिए उन्हें एक एकल इकाई में विलय कर दिया। इस लचीले दृष्टिकोण ने टीम को किसी भी निश्चित संरचना की तुलना में बेहतर सामग्रियां तेजी से खोजने में सक्षम बनाया, हालांकि यह अभी भी अकेले काम करने वाले सबसे अच्छे सदस्य के प्रदर्शन के बराबर नहीं था। मुख्य बात यह थी कि टीम ने अपने स्वयं के रिकॉर्ड से सीखा, उन सदस्यों पर भरोसा किया जिन्होंने विश्वसनीयता साबित की और उन्हें अनदेखा किया जिन्होंने नहीं की।

अंततः, शोध यह सुझाव देता है कि सामग्रियों की खोज का भविष्य अधिक डेटा एकत्र करने में नहीं, बल्कि इस बात में है कि इसका उपयोग कितनी चयनात्मकता से किया जाता है। एक सफल अभियान को उपलब्ध सभी चीजों का उपयोग करने के बजाय, कुछ अच्छी तरह से संरेखित स्रोतों को एकीकृत करना चाहिए जो विशिष्ट समस्या के अनुकूल हों। इसे डुप्लिकेट स्रोतों को एक एकल आवाज के रूप में मानना चाहिए और केवल तभी नई गणनाओं के लिए भुगतान करना चाहिए जब उनका पुन: उपयोग किया जा सके। सबसे महत्वपूर्ण बात यह है कि टीम को अपने अनुभव से सीखना चाहिए, अपना विश्वास उन सदस्यों की ओर स्थानांतरित करना चाहिए जो अच्छा प्रदर्शन कर रहे हैं और उन्हें छोड़ देना चाहिए जो नहीं कर रहे हैं। इन संगठनात्मक शिक्षण सिद्धांतों को लागू करके, वैज्ञानिक सामग्रियों की खोज के जटिल परिदृश्य में अधिक गति और सटीकता के साथ नेविगेट करने वाली अधिक कुशल टीमें बना सकते हैं।