Materials representations organize transferable supervision for chemical extrapolation
यह शोध पत्र प्रदर्शित करता है कि प्रीट्रेन क्रिस्टल-ग्राफ निरूपण (representations) रासायनिक एक्सट्रपोलेशन के लिए उनके यौगिकों द्वारा प्रदान किए गए हस्तांतरणीय पर्यवेक्षण (transferable supervision) के माध्यम से तत्वों को प्रभावी ढंग से रैंक कर सकते हैं, जो पारंपरिक तत्व-गुण समानता मेट्रिक्स से बेहतर प्रदर्शन करते हैं और लक्षित-गुण लेबल की आवश्यकता के बिना सूचित डेटासेट मूल्यांकन को सक्षम करते हैं।
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
नए पदार्थों की खोज की खोज अक्सर शिक्षित अनुमानों का एक खेल होती है। वैज्ञानिकों को यह भविष्यवाणी करने की आवश्यकता होती है कि कोई पदार्थ कैसा व्यवहार करेगा—चाहे वह बिजली का संचालन करे, ऊर्जा संग्रहीत करे, या गर्मी को सहन करे—इससे बहुत पहले कि वे इसे प्रयोगशाला में संश्लेषित कर सकें। इस प्रक्रिया को तेज करने के लिए, शोधकर्ता ज्ञात डेटा पर प्रशिक्षित कंप्यूटर मॉडल का उपयोग करके इन भविष्यवाणियों को करते हैं। हालाँकि, जब इन मॉडलों से पूरी तरह से नए प्रकार के रसायन विज्ञान, विशेष रूप से उन यौगिकों वाले तत्वों के बारे में अनुमान लगाने के लिए कहा जाता है जिन्हें मॉडल ने पहले कभी नहीं देखा है, तो उन्हें एक महत्वपूर्ण बाधा का सामना करना पड़ता है। यदि एक मॉडल ने केवल लोहे और कार्बन के बारे में सीखा है, तो क्या वह एक ऐसे दुर्लभ तत्व वाले यौगिक के व्यवहार की विश्वसनीय रूप से भविष्यवाणी कर सकता है जिसका उसने पहले कभी सामना नहीं किया है? चुनौती यह पता लगाने में है कि ज्ञात सामग्रियों में से कौन सी वास्तव में अज्ञात के बारे में मॉडल को सिखाने के लिए उपयोगी है।
जापान के नेशनल इंस्टीट्यूट फॉर मैटेरियल्स साइंस के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने का एक तरीका विकसित किया है, जिसके लिए लक्षित पदार्थों के अंतिम गुणों को जानने की आवश्यकता नहीं है। उन्होंने पाया कि जिस तरह से एक कंप्यूटर मॉडल रासायनिक डेटा को "देखता" और व्यवस्थित करता है, वही यह निर्धारित करता है कि नए, अनदेखे यौगिकों के लिए कौन से ज्ञात यौगिक सबसे अच्छे शिक्षक हैं। कंप्यूटर की मेमोरी में सामग्रियों को दर्शाने वाली ज्यामितीय संरचना का विश्लेषण करके, उन्होंने पाया कि एक मॉडल अन्य तत्वों को इस आधार पर रैंक कर सकता है कि उनके यौगिक उसे सीखने में कितनी मदद करेंगे। यह रैंकिंग किसी भी विशिष्ट गुण पर प्रशिक्षित होने से पहले ही काम करती है, जो यह सुझाव देती है कि डेटा की संरचना ही सफल भविष्यवाणी की कुंजी है।
इस अध्ययन में, शोधकर्ताओं ने दो अलग-अलग तरीकों पर ध्यान केंद्रित किया जिनसे कंप्यूटर रासायनिक यौगिकों का प्रतिनिधित्व करते हैं। पहला तरीका हाथ से बनाए गए नियमों (hand-crafted rules) पर निर्भर करता है, जहाँ वैज्ञानिक किसी पदार्थ का विवरण बनाने के लिए परमाणु के आकार या उसके विद्युत खिंचाव जैसे विशिष्ट परमाणु गुणों को मैन्युअल रूप से चुनते हैं। दूसरा तरीका एक प्री-ट्रेन्ड न्यूरल नेटवर्क का उपयोग करता है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो लाखों यौगिकों का अध्ययन करके अपने स्वयं के विवरण सीखता है। शोधकर्ताओं ने दोनों तरीकों का परीक्षण एक सरल प्रश्न पूछकर किया: यदि हम प्रशिक्षण डेटा से एक विशिष्ट तत्व वाले सभी यौगिकों को हटा दें, तो मॉडल को उस लापता तत्व के गुणों का अनुमान लगाने में मदद करने के लिए हमें किन अन्य तत्वों को रखना चाहिए?
इसका उत्तर खोजने के लिए, उन्होंने "लीव-वन-एलिमेंट-आउट" (leave-one-element-out) नामक तकनीक का उपयोग किया। उन्होंने ज्ञात सामग्रियों के एक विशाल डेटाबेस को लिया और अस्थायी रूप से मैग्नीशियम जैसे एक विशिष्ट तत्व वाले सभी यौगिकों को छिपा दिया, ताकि वह एक लक्ष्य के रूप में कार्य कर सके। फिर उन्होंने शेष यौगिकों को इस आधार पर समूहों में विभाजित किया कि उनमें अन्य कौन से तत्व शामिल थे। दो अलग-अलग प्रतिनिधित्व विधियों का उपयोग करते हुए, उन्होंने इन समूहों को रैंक किया ताकि यह देखा जा सके कि कौन से समूह छिपे हुए मैग्नीशियम यौगिकों के प्रति कंप्यूटर के आंतरिक मानचित्र में सबसे अधिक समान हैं। इसके बाद उन्होंने शीर्ष-रैंक वाले समूहों पर भविष्यवाणी मॉडल को प्रशिक्षित किया और छिपे हुए मैग्नीशियम यौगिकों के गुणों का अनुमान लगाने में उन मॉडलों की सफलता का परीक्षण किया।
परिणामों ने एक स्पष्ट और सुसंगत पैटर्न का खुलासा किया। जब शोधकर्ताओं ने प्रशिक्षण डेटा से शीर्ष-रैंक वाले समूहों के यौगिकों को बाहर निकाला, तो छिपे हुए तत्व की भविष्यवाणी करने की मॉडल की क्षमता ढह गई। निर्माण ऊर्जा (formation energy), जो स्थिरता का एक माप है, की भविष्यवाणी करने में त्रुटि लगभग 100 से 110 मिलीइलेक्ट्रॉन वोल्ट प्रति परमाणु बढ़ गई, और बैंडगैप (bandgap), जो विद्युत चालकता से संबंधित है, की भविष्यवाणी करने में त्रुटि 42 से 85 मिलीइलेक्ट्रॉन वोल्ट बढ़ गई। इसके विपरीत, सबसे कम रैंक वाले समूहों को हटाने का मॉडल के प्रदर्शन पर लगभग कोई प्रभाव नहीं पड़ा। इसने सिद्ध कर दिया कि रैंकिंग प्रणाली ने सफलतापूर्वक पहचान ली कि किन ज्ञात रसायन विज्ञानओं ने अज्ञात के बारे में सीखने के लिए सबसे मूल्यवान सबक प्रदान किए।
हालाँकि, दो प्रतिनिधित्व विधियों ने इस पर्यवेक्षण को बहुत अलग तरीकों से व्यवस्थित किया। हस्तनिर्मित विधि, जो पूर्व-निर्धारित परमाणु गुणों पर निर्भर करती है, ने उपयोगी यौगिकों को उनके बुनियादी भौतिक लक्षणों, जैसे विद्युत ऋणात्मकता या परमाणु त्रिज्या के संदर्भ में समानता के आधार पर रैंक किया। यह पारंपरिक रासायनिक अंतर्ज्ञान के अनुरूप है, जहाँ आवर्त सारणी के एक ही कॉलम में तत्वों से समान व्यवहार करने की अपेक्षा की जाती है। दूसरी ओर, प्री-ट्रेन्ड न्यूरल नेटवर्क ने एक ऐसी रैंकिंग उत्पन्न की जो पारंपरिक समानताओं से मेल नहीं खाती थी। इसके बजाय, इसने तत्वों को उस ज्यामितिक दिशा के आधार पर रैंक किया जिसमें उनके यौगिक कंप्यूटर के आंतरिक प्रतिनिधित्व स्थान के भीतर स्थानांतरित होते हैं। इस सीखे हुए दृष्टिकोण में, तत्व जो जटिल यौगिकों के भीतर समान व्यवहार करते हैं, उन्हें एक साथ समूहबद्ध किया गया था, भले ही उनके बुनियादी परमाणु गुण काफी भिन्न हों।
शोधकर्ताओं ने पाया कि आवर्त सारणी के समूहों या सरल गुण समानता पर भरोसा करने की तुलना में यह सीखा हुआ रैंकिंग कहीं अधिक प्रभावी था। जब उन्होंने न्यूरल नेटवर्क की सूची से शीर्ष-रैंक वाले तत्वों का उपयोग करके अपने मॉडल को प्रशिक्षित किया, तो उनकी भविष्यवाणियाँ उन तत्वों की तुलना में काफी अधिक सटीक थीं जो केवल एक ही आवर्त समूह में थे। यह सुझाव देता है कि न्यूरल नेटवर्क एक यौगिक के भीतर तत्वों की परस्पर क्रिया के बारे में कुछ गहरा पकड़ता है, न कि केवल उनके अकेले के स्वरूप को। अध्ययन ने दिखाया कि यह रैंकिंग मजबूत थी; यह विभिन्न डेटाबेस, विभिन्न प्रकार के भौतिक गुणों और विभिन्न मशीन लर्निंग एल्गोरिदम में भी सही साबित हुई।
शायद सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने प्रदर्शित किया कि यह रैंकिंग किसी भी गुण मॉडल को प्रशिक्षित करने से पहले ही निर्धारित की जा सकती है। क्योंकि रैंकिंग केवल सामग्री के प्रतिनिधित्व की ज्यामितीय संरचना पर निर्भर करती है और विशिष्ट लक्षित गुण पर नहीं, इसलिए वैज्ञानिक यह आकलन कर सकते हैं कि एक नए खोज प्रोजेक्ट के लिए डेटा का कौन सा हिस्सा सबसे उपयोगी होगा, बिना किसी महंगे प्रयोग या जटिल गणना को पहले चलाए। यह क्षमता शोधकर्ताओं को अपने डेटा में अंतराल की पहचान करने और यह तय करने की अनुमति देती है कि उन्हें कहाँ ध्यान केंद्रित करना चाहिए। यदि शीर्ष-रैंक वाले स्रोत तत्व लक्षित रसायन विज्ञान से कमजोर रूप से जुड़े हैं, तो यह सुझाव देता है कि डेटा के वर्तमान प्रतिनिधित्व को बदलने की आवश्यकता हो सकती है। यदि शीर्ष-रैंक वाले तत्व मौजूद हैं लेकिन बिना लेबल के हैं, तो यह वैज्ञानिकों को बताता है कि उन्हें नया डेटा एकत्र करने के लिए अपने प्रयासों को कहाँ केंद्रित करना चाहिए।
ये निष्कर्ष अज्ञात को संभालने के बारे में मशीन लर्निंग के प्रति एक नया दृष्टिकोण प्रदान करते हैं। सभी ज्ञात डेटा को समान रूप से उपयोगी मानने के बजाय, अध्ययन से पता चलता है कि एक डेटा बिंदु का मूल्य पूरी तरह से इस बात पर निर्भर करता है कि मॉडल उसे कैसे व्याख्यायित करने के लिए संरचित है। यह समझकर कि ये प्रतिनिधित्व पर्यवेक्षण को कैसे व्यवस्थित करते हैं, वैज्ञानिक अपने डेटासेट को बेहतर ढंग से डिजाइन कर सकते हैं और नए रासायनिक क्षेत्रों की खोज के लिए सही उपकरण चुन सकते हैं। यह दृष्टिकोण केवल इस उम्मीद को आगे नहीं बढ़ाता कि एक मॉडल अच्छी तरह से सामान्यीकरण करेगा; बल्कि यह पहचानने के लिए एक ठोस विधि प्रदान करता है कि कौन सी ज्ञात सामग्रियां वास्तव में मॉडल को अज्ञात को संभालने के बारे में सिखाएंगी, जिससे रासायनिक खोज की प्रक्रिया को एक अधिक निर्देशित और कुशल प्रयास में बदल दिया गया है।
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।