SPARC: Evidence-guided adaptive model composition for materials discovery
SPARC सामग्रियों की खोज के लिए एक ऐसा ढांचा है जो अन्वेषण को अनुकूलित करने और सत्यापन के लिए आवश्यक मापों की पहचान करने के लिए आउट-ऑफ-फोल्ड प्रयोगात्मक साक्ष्यों के आधार पर प्रतिस्पर्धी भविष्य कहने वाले मॉडलों के प्रभाव को गतिशील रूप से समायोजित करता है, जो मौजूदा विधियों की तुलना में भविष्य कहने वाली सटीकता और प्रयोगात्मक दक्षता दोनों में बेहतर प्रदर्शन प्रदर्शित 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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
विज्ञान लंबे समय से परीक्षण और त्रुटि (trial and error) के एक चक्र पर निर्भर रहा है: एक शोधकर्ता एक विचार प्रस्तावित करता है, प्रयोगशाला में उसका परीक्षण करता है, और परिणाम का उपयोग अगले अनुमान को आकार देने के लिए करता है। हाल के वर्षों में, कंप्यूटर इस चक्र में शामिल हो गए हैं, जो यह भविष्यवाणी करने के लिए मशीन लर्निंग का उपयोग करते हैं कि कौन से प्रयोग सफल होने की सबसे अधिक संभावना रखते हैं। 'क्लोज्ड-लूप एक्सपेरिमेंटेशन' (closed-loop experimentation) के रूप में जानी जाने वाली यह पद्धति वैज्ञानिकों को बेहतर बैटरी से लेकर अधिक कुशल उत्प्रेरकों (catalysts) तक, नए पदार्थों की खोज को स्वचालित करने की अनुमति देती है। हालाँकि, इन स्वचालित प्रणालियों में एक छिपी हुई सीमा बनी रही है। इनमें से अधिकांश इन धारणाओं को भींच लेते हैं कि दुनिया कैसे काम करती है, और यह खोज शुरू होने से पहले ही तय कर लेते हैं। वे डेटा का प्रतिनिधित्व करने के लिए एक विशिष्ट गणितीय मॉडल चुनते हैं और उसी पर टिके रहते हैं, भले ही नए माप प्राप्त होते रहें। जब डेटा कम होता है, तो यह कठोरता एक समस्या बन सकती है। यदि प्रारंभिक मॉडल गलत है, या यदि चरों (variables) के बीच संबंध खोज के दौरान अज्ञात क्षेत्रों में जाने पर बदल जाते हैं, तो सिस्टम गलत सवाल पूछता रह सकता है, जिससे अपने स्वयं के पूर्वाग्रह मजबूत होते हैं और बेहतर समाधान छूट जाते हैं।
टोरंटो विश्वविद्यालय के शोधकर्ताओं ने SPARC नामक एक नया ढांचा पेश किया है जो इन स्वचालित प्रणालियों के सोचने के तरीके को बदल देता है। एक एकल मॉडल पर टिके रहने के बजाय, SPARC वैज्ञानिक मॉडल को स्वयं एक परिकल्पना के रूप में मानता है जिसे लगातार संशोधित किया जाना चाहिए। यह निरंतर पूछता रहता है कि प्रयोगशाला से आने वाले नए साक्ष्यों के आधार पर कौन से प्रतिस्पर्धी गणितीय विवरण वास्तव में समर्थित हैं। इन प्रतिस्पर्धी मॉडलों को अनदेखे डेटा के विरुद्ध उनकी सटीकता के आधार पर तौलकर, सिस्टम साक्ष्य संचित होने के साथ अपना ध्यान केंद्रित कर सकता है। यह दृष्टिकोण खोज को लचीला बनाए रखने की अनुमति देता है, न केवल नए परिणामों के प्रति, बल्कि उन सिद्धांतों की बदलती विश्वसनीयता के प्रति भी जिनका उपयोग व्याख्या करने के लिए किया जाता है।
शोधकर्ताओं ने आणविक, बहुलक (polymeric) और अकार्बनिक पदार्थों से संबंधित आठ अलग-अलग डेटासेट में इस विचार का परीक्षण किया। इन परीक्षणों में, SPARC को उन जटिल, पूर्व-गणना किए गए रासायनिक विवरणों (descriptors) पर निर्भर हुए बिना गुणों जैसे कि उत्प्रेरकों की स्थिरता या बैटरी घटकों के प्रदर्शन की भविष्यवाणी करनी थी, जिनकी अन्य विधियों को अक्सर आवश्यकता होती है। परिणामों ने दिखाया कि SPARC अधिकांश मामलों में स्थापित पाइपलाइनों की तुलना में या उनसे बेहतर भविष्य कहने वाली सटीकता प्राप्त कर सकता है। एक विशिष्ट परीक्षण में, जिसमें अकार्बनिक पदार्थों की स्थिरता शामिल थी, इस नई विधि ने पिछले रिपोर्टों की तुलना में भविष्यवाणी सटीकता में लगभग 78 प्रतिशत का सुधार किया। यह लाभ उन अतिरिक्त कम्प्यूटेशनल चरणों के बिना प्राप्त किया गया था जिनका उपयोग अन्य टीमों द्वारा किया जाता था, जिससे पता चलता है कि सुधार डेटा की मात्रा से नहीं, बल्कि सिस्टम द्वारा अपने मॉडलों के प्रबंधन के तरीके से आया था।
यह समझने के लिए कि यह कैसे काम करता है, कल्पना करें कि विशेषज्ञों की एक टीम मौसम के पूर्वानुमान की कोशिश कर रही है। एक पारंपरिक प्रणाली एक एकल पूर्वानुमान मॉडल पर भरोसा कर सकती है और किसी भी असहमति को अनदेखा कर सकती है। इसके विपरीत, SPARC विभिन्न मॉडलों के एक पैनल को सुनता है, जिनमें से प्रत्येक डेटा को समझने के लिए थोड़ा अलग दृष्टिकोण का उपयोग करता है। जैसे-जैसे नए मौसम संबंधी अवलोकन आते हैं, सिस्टम जांचता है कि कौन से मॉडल अभी भी सटीक हैं और कौन से पीछे रह गए हैं। फिर यह सबसे विश्वसनीय मॉडलों के भविष्यवाणियों को जोड़ता है, और उन्हें अधिक महत्व देता है जिन्होंने नए साक्ष्यों के विरुद्ध खुद को साबित किया है। यदि मॉडल असहमत होने लगते हैं, तो सिस्टम पहचान लेता है कि वह अनिश्चितता के क्षेत्र में प्रवेश कर रहा है और उसके अनुसार अपना विश्वास समायोजित करता है। यह सिस्टम को उन क्षेत्रों में अति-आत्मविश्वासी होने से रोकता है जहाँ डेटा कम है या जहाँ अंतर्निर्लिखित विज्ञान अभी पूरी तरह से समझा नहीं गया है।
शोधकर्ताओं ने यह भी पता लगाया कि यह लचीलापन तब कैसे मदद करता है जब उन सामग्रियों की खोज की जाती है जो पहले से परीक्षित किसी भी चीज़ से बहुत अलग हैं। एक नियंत्रित परीक्षण में, सिस्टम को प्रारंभिक प्रयोगों की सीमा से बहुत दूर की स्थितियों में उच्च-प्रदर्शन वाले उम्मीदवारों को खोजने के लिए कहा गया था। जैसे-जैसे खोज ज्ञात डेटा से दूर गई, सिस्टम स्वाभाविक रूप से अधिक अनिश्चित हो गया, लेकिन उसने खोजना बंद नहीं किया। इसके बजाय, इसने अन्वेषण का मार्गदर्शन करने के लिए अपने विश्वास के माप का उपयोग किया, उन उम्मीदवारों को प्राथमिकता दी जिनके अच्छे होने की संभावना थी और साथ ही जोखिमों को भी स्वीकार किया। इसने सिस्टम को मानक विधियों की तुलना में बहुत कम प्रयोगों के साथ, निकट-इष्टतम (near-optimal) परिणाम तक पहुँचते हुए, बहुत तेज़ी से नए आशाजनक उम्मीदवारों को खोजने की अनुमति दी।
इस प्रणाली की असली परीक्षा ऑक्सीजन-इवोल्यूशन रिएक्शन (oxygen-evolution reaction) के लिए बेहतर उत्प्रेरक खोजने पर केंद्रित एक वास्तविक प्रयोगशाला अभियान में हुई, जो स्वच्छ हाइड्रोजन ईंधन उत्पादन के लिए एक महत्वपूर्ण प्रक्रिया है। शोधकर्ताओं ने एक स्वचालित मंच स्थापित किया जो मानवीय हस्तक्षेप के बिना नई सामग्रियों का संश्लेषण और परीक्षण कर सकता था। 125 प्रारंभिक प्रयोगों के डेटाबेस से शुरू करते हुए, सिस्टम ने परीक्षण के लिए 11 नई स्थितियाँ चुनीं। उल्लेखनीय रूप से, इन 11 में से आठ सिफारिशों ने प्रारंभिक सेट के औसत से काफी बेहतर परिणाम दिए, जिनमें से एक ने 242 मिलीवोल्ट का प्रदर्शन स्तर प्राप्त किया, जो उच्च दक्षता का संकेत देता है। यह सफलता दर यादृच्छिक संयोग या पुरानी विधियों का उपयोग करने की तुलना में बहुत अधिक थी।
केवल नई सामग्रियां खोजने के अलावा, सिस्टम ने अपने इतिहास का ऑडिट करने की एक अनूठी क्षमता भी प्रदर्शित की। उसी अभियान में, शोधकर्ताओं ने सिस्टम से पूछा कि मौजूदा 125 मापों में से कौन से अविश्वसनीय हो सकते हैं और जिन्हें दोहराने की आवश्यकता है। सिस्टम ने सांख्यिकीय विसंगतियों और विसंगतियों के आधार पर सत्यापन के लिए विशिष्ट रिकॉर्ड को चिह्नित किया। जब शोधकर्ताओं ने इन चिह्नित नमूनों का पुन: परीक्षण किया, तो उन्होंने पाया कि मूल माप वास्तव में अक्सर बहुत अलग थे, जिसमें पहले और दूसरे रीडिंग के बीच औसतन 76 मिलीवोल्ट का अंतर था। इसके विपरीत, बिना चिह्नित नियंत्रण नमूनों में केवल 27 मिली वोल्ट का बहुत छोटा अंतर देखा गया। यह सुझाव देता है कि सिस्टम न केवल नई खोजों के लिए मार्गदर्शन कर सकता है, बल्कि एक गुणवत्ता नियंत्रण तंत्र के रूप में भी कार्य कर सकता है, जो भविष्य के निर्णयों को गुमराह करने से पहले मौजूदा रिकॉर्ड में त्रुटियों की पहचान करता है।
यह अध्ययन इस बात पर प्रकाश डालता है कि भविष्य में स्वचालित विज्ञान कैसे संचालित हो सकता है। एक कठोर उपकरण के रूप में जो नियमों के एक निश्चित सेट का पालन करता है, इसके बजाय यह एक गतिशील भागीदार के रूप में कार्य करता है जो सीखते समय अपनी समझ विकसित करता है। यह स्वीकार करता है कि खोज के शुरुआती चरणों में, जब डेटा कम होता है, तो आगे बढ़ने का सबसे अच्छा रास्ता एक एकल सिद्धांत पर भरोसा करना नहीं है, बल्कि कई संभावनाओं के लिए खुला रहना है और साक्ष्यों को यह तय करने देना है कि किन्हें बनाए रखना है। अपने स्वयं के अनुमानों को संशोधित करने के आधार के रूप में प्रायोगिक डेटा को बदलकर, यह ढांचा सामग्रियों की खोज के जटिल परिदृश्य में नेविगेट करने का एक अधिक मजबूत तरीका प्रदान करता है, यह सुनिश्चित करता है कि खोज उस आधार पर टिकी रहे जिसका डेटा वास्तव में समर्थन करता है, न कि उस पर जो कंप्यूटर ने शुरू में माना था।
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।