← नवीनतम पेपर
🤖 मशीन लर्निंग

Confidence-Based Materials Data Quality Assessment via Domain Knowledge and Graph-Structured Learning

यह शोध पत्र एक विश्वास-आधारित ढांचे का प्रस्ताव करता है जो डेटा गुणवत्ता को निरंतर अनुमान समस्या के रूप में आकलन करने के लिए सामग्री डोमेन ज्ञान को ग्राफ-संरचित शिक्षण के साथ एकीकृत करता है, जो कई बेंचमार्क डेटासेटों में मॉडल विश्वसनीयता और भविष्य कहनेवाला प्रदर्शन में महत्वपूर्ण सुधार प्रदर्शित करता है।

मूल लेखक: Sihan Liaing, Ji Zhang, Kehan Wang, Zihao Gao, Wei Ma, Yangang Wang, Zongguo Wang

प्रकाशित 2026-11-19
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Sihan Liaing, Ji Zhang, Kehan Wang, Zihao Gao, Wei Ma, Yangang Wang, Zongguo Wang

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

आधुनिक युग में नए पदार्थों की खोज की खोज में, वैज्ञानिक तेजी से यह अनुमान लगाने के लिए कि परमाणु कैसे व्यवहार करेंगे, कंप्यूटरों की ओर मुड़ रहे हैं। लैब में रसायनों को मिलाने और यह देखने के इंतजार करने के बजाय कि क्या होता है, शोधकर्ता क्रिस्टल संरचनाओं, ऊर्जा स्तरों और भौतिक गुणों के लाखों रिकॉर्ड वाले विशाल डिजिटल पुस्तकालयों का उपयोग करते हैं। ये डेटाबेस उन आर्टिफिशियल इंटेलिजेंस मॉडलों के लिए आधार का काम करते हैं जो बेहतर बैटरी से लेकर मजबूत मिश्र धातुओं तक सब कुछ डिजाइन करते हैं। हालांकि, जिस तरह एक कमजोर नींव पर बना घर अंततः ढह जाएगा, उसी तरह दोषपूर्ण डेटा पर प्रशिक्षित कंप्यूटर मॉडल अविश्वसनीय भविष्यवाणियां करेगा। समस्या यह है कि ये डिजिटल पुस्तकालय पूर्ण नहीं हैं; ये ऐसे रिकॉर्ड से भरे हुए हैं जिनमें सूक्ष्म त्रुटियां हैं, जैसे कि असंभव भौतिक मान, विफल गणनाएं, या डुप्लिकेट प्रविष्टियां जो पहली नज़र में सही दिखती हैं लेकिन प्रकृति के मौलिक नियमों का उल्लंघन करती हैं। इन छिपे हुए दोषों की पहचान करना कठिन है क्योंकि वे अक्सर स्पष्ट गलतियों के रूप में नहीं, बल्कि डेटासेट के सामान्य सांख्यिकीय पैटर्न के भीतर फिट होने वाले डेटा बिंदुओं के रूप में दिखाई देते हैं।

इसे हल करने के लिए, शोधकर्ताओं के एक दल ने एक नई प्रणाली विकसित की है जो सामग्री डेटा के लिए एक कठोर गुणवत्ता निरीक्षक की तरह कार्य करती है। रिकॉर्ड को केवल "अच्छे" या "बुरे" के रूप में चिह्नित करने के बजाय, उनका दृष्टिकोण प्रत्येक जानकारी को शून्य से एक के बीच एक निरंतर आत्मविश्वास स्कोर (confidence score) प्रदान करता है। यह प्रणाली भौतिकी और रसायन विज्ञान के कठोर नियमों को एक परिष्कृत पद्धति के साथ जोड़ती है जो यह देखती है कि डेटा बिंदु एक-दूसरे से कैसे संबंधित हैं। कल्पना कीजिए कि डेटासेट एक विशाल नेटवर्क है जहां प्रत्येक सामग्री रिकॉर्ड उस विशिष्ट माप से जुड़ा है जो उसे वर्णित करता है, और वे माप, बदले में, अन्य रिकॉर्डों से जुड़े हैं जो उन्हें साझा करते हैं। इन कनेक्शनों का पता लगाकर, सिस्टम उन विसंगतियों को पकड़ सकता है जिन्हें एक साधारण चेकलिस्ट मिस कर सकती है। उदाहरण के लिए, यदि किसी एक रिकॉर्ड में एक विशिष्ट माप थोड़ा गलत लगता है, तो सिस्टम यह देखने के लिए कि क्या वह त्रुटि अलग-थलग है या एक बड़े पैटर्न का हिस्सा है, हजारों अन्य रिकॉर्डों में उसी माप की विश्वसनीयता की जांच करता है।

शोधकर्ताओं ने इस ढांचे का परीक्षण mp_20 नामक सामग्रियों के डेटा के एक विशाल संग्रह पर किया, जिसमें 45,000 से अधिक रिकॉर्ड हैं। उन्होंने डेटा में विभिन्न प्रकार की त्रुटियां जानबूझकर डालीं, जिनमें असंभव मान, बेमेल संरचनात्मक विवरण और सांख्यिकीय आउटलेयर शामिल थे, ताकि देख सकें कि क्या उनका सिस्टम इन दोषों को ढूंढ सकता है। परिणामों ने दिखाया कि नया तरीका इन दूषित रिकॉर्डों की पहचान करने में अत्यधिक प्रभावी था। जब शोधकर्ताओं ने सामग्री के गुणों की भविष्यवाणी करने के लिए एक मशीन लर्निंग मॉडल को प्रशिक्षित करने से पहले डेटा को साफ करने के लिए इस प्रणाली का उपयोग किया, तो मॉडल की सटीकता में महत्वपूर्ण सुधार हुआ। सफाई के बिना, मॉडल की भविष्यवाणियां काफी खराब थीं, लेकिन सिस्टम द्वारा कम-आत्मविश्वास वाले रिकॉर्डों को फ़िल्टर करने के बाद, सटीकता लगभग 0.54 के स्कोर से बढ़कर 0.62 हो गई। क्रिस्टल ऊर्जा की भविष्यवाणी करने वाले एक अधिक उन्नत मॉडल से जुड़े एक अन्य परीक्षण में, सफाई प्रक्रिया ने मॉडल को प्रदर्शन में बड़ी गिरावट से उबरने में मदद की, जिससे इसकी सटीकता लगभग 0.88 तक पहुंच गई, जो पूरी तरह से स्वच्छ डेटा के साथ देखी गई प्रदर्शन के बहुत करीब है।

जो इस दृष्टिकोण को विशेष रूप से शक्तिशाली बनाता है वह यह है कि यह त्रुटियों को खोजने के लिए किसी एक विधि पर निर्भर नहीं करता है। यह यह जांचने से शुरू होता है कि क्या डेटा बिंदु ज्ञात भौतिक सीमाओं के भीतर आते हैं, जैसे कि यह सुनिश्चित करना कि एक क्रिस्टल की ऊर्जा नकारात्मक न हो जब उसे सकारात्मक होना चाहिए। फिर यह आत्मविश्वास प्रसारित करने के लिए एक "ग्राफ" संरचना का उपयोग करता है, जिसका अर्थ है कि यदि एक रिकॉर्ड में एक विशिष्ट माप अविश्वसनीय पाया जाता है, तो सिस्टम उन सभी अन्य रिकॉर्डों में उस माप के लिए आत्मविश्वास स्कोर को कम कर देता है जहाँ वह दिखाई देता है। अंत में, यह यह जांचने के लिए एक स्थानीय तुलना उपकरण का उपयोग करता है कि क्या कोई रिकॉर्ड अपने निकटतम पड़ोसियों की तुलना में संदिग्ध दिखता है। यह बहु-स्तरीय दृष्टिकोण सिस्टम को विभिन्न प्रकार की त्रुटियों को पकड़ने की अनुमति देता है, साधारण टाइपिंग की गलतियों से लेकर भौतिक नियमों के जटिल उल्लंघन तक। शोधकर्ताओं ने पाया कि इन सभी चरणों को संयोजित करना किसी भी एकल चरण के उपयोग की तुलना में अधिक प्रभावी था, और सिस्टम डेटा भ्रष्टाचार के विभिन्न स्तरों को संभालने के लिए पर्याप्त मजबूत था।

डेटा में त्रुटियों को खोजने के अलावा, यह प्रणाली एक स्पष्ट स्पष्टीकरण भी प्रदान करती है कि किसी रिकॉर्ड को क्यों चिह्नित किया गया। यह उपयोगकर्ता को ठीक तौर पर बताता है कि कौन सा नियम टूटा या कौन सा सांख्यिकीय चेक विफल हुआ, जिससे यह प्रक्रिया पारदर्शी और ऑडिट योग्य बन जाती है। यह उन वैज्ञानिकों के लिए अत्यंत महत्वपूर्ण है जिन्हें आगे के अनुसंधान के लिए डेटा पर भरोसा करने की आवश्यकता होती है। टीम ने यह भी प्रदर्शित किया कि उनकी विधि ऐतिहासिक संदर्भ के विरुद्ध डेटा के विभिन्न बैचों की तुलना कर सकती है, जिससे वे पिछले मानकों के मुकाबले एक नए डेटासेट की समग्र गुणवत्ता का निर्णय ले सकते हैं। 23 विभिन्न प्रकार की जेनेरिक डेटा समस्याओं वाले परीक्षणों में, सिस्टम ने सबसे उन्नत मौजूदा तरीकों के समान प्रदर्शन किया, जिससे सिद्ध हुआ कि इसकी तर्कशक्ति सामग्री विज्ञान के विशिष्ट संदर्भ के बाहर भी सुदृढ़ है। डेटा गुणवत्ता मूल्यांकन को एक निरंतर, व्याख्या योग्य प्रक्रिया में बदलकर, यह कार्य एक व्यावहारिक तरीका प्रदान करता है जिससे यह सुनिश्चित किया जा सके कि सामग्रियों की खोज को चलाने वाला आर्टिफिशियल इंटेलिजेंस सत्य की नींव पर निर्मित हो।

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।

Digest आज़माएँ →