कल्पना कीजिए कि आप एक जासूस हैं जो एक चट्टान में पाए गए एक रहस्यमय पदार्थ की पहचान करने की कोशिश कर रहे हैं। आपके पास दो शक्तिशाली उपकरण हैं: एक "वाइब्रेशनल स्कैनर" जो यह सुनता है कि उस सामग्री के भीतर परमाणु कैसे हिलते और नाचते हैं (इसे रमन स्पेक्ट्रोस्कोपी कहा जाता है) और एक "एक्स-रे कैमरा" जो यह तस्वीर लेता है कि परमाणु एक क्रिस्टल ग्रिड में कैसे व्यवस्थित होते हैं (यह एक्स-रे विवर्तन है)। वैज्ञानिकों के लिए, ये उपकरण खनिजों और अकार्बनिक सामग्रियों की गुप्त पहचान उजागर करने वाले सुपरपावर की तरह हैं। लेकिन, एक पेंच है: हर मशीन थोड़ी अलग भाषा बोलती है। एक स्कैनर डेटा को अव्यवस्थित, ऊबड़-खाबड़ प्रारूप में रिकॉर्ड कर सकता है, जबकि दूसरा एक चिकना, साफ ग्रिड उपयोग करता है। यह एक पहेली को सुलझाने जैसा है जहाँ अलग-अलग बक्सों के टुकड़े अलग-अलग आकार और रंगों के होते हैं। इससे कंप्यूटर के लिए इन सामग्रियों को स्वचालित रूप से पहचानना सीखना अविश्वसनीय रूप से कठिन हो जाता है। यदि कंप्यूटर डेटा को लगातार नहीं पढ़ सकता है, तो वह बेहतर बैटरी, सौर पैनल या इलेक्ट्रॉनिक्स के लिए नई सामग्रियां खोजने में वैज्ञानिकों की मदद नहीं कर सकता है।

यहीं से एक नए प्रोजेक्ट की कहानी शुरू होती है जिसे Spec2Prop-InorgBench कहा जाता है। इस प्रोजेक्ट को एक विशाल, व्यवस्थित पुस्तकालय के रूप में सोचें जो कंप्यूटर को यह सिखाता है कि वैज्ञानिक उपकरणों की भाषा कैसे बोली जाए। शोधकर्ताओं ने एक "अनुवादक" बनाया है जो विभिन्न मशीनों से कच्चे, अव्यवस्थित डेटा को लेता है और उसे एक आदर्श, मानक प्रारूप में साफ करता है—जैसे पहेली के टुकड़ों के एक बिखरे हुए ढेर को एक साफ, समान ढेर में बदलना। एक बार जब डेटा साफ हो जाता है, तो उन्होंने एक स्मार्ट कंप्यूटर मस्तिष्क (एक AI) को प्रशिक्षित किया कि वह पैटर्न को देखे और अनुमान लगाए कि वह किस सामग्री के परिवार को देख रहा है, जैसे कि सिलिकेट्स (जैसे रेत), ऑक्साइड या कार्बोनेट। इसका लक्ष्य मानव विशेषज्ञ की जगह लेना नहीं है, बल्कि एक सुपर-फास्ट सहायक के रूप में कार्य करना है जो हजारों नमूनों को छाँट सके, सबसे आशाजनक नमूनों को चुन सके और कह सके, "हे, यह एक कार्बोनेट जैसा दिखता है, लेकिन मैं इसके बारे में 100% निश्चित नहीं हूँ, इसलिए एक इंसान को इसकी दोबारा जांच करनी चाहिए।"

महान सामग्री अनुवादक (The Great Material Translator)

शोधकर्ताओं, कुमारी अमृता और हिमांशु कुमार ने महसूस किया कि हालांकि रमन और एक्स-रे डेटा से भरे कई खुले डेटाबेस मौजूद हैं, वे विश्वसनीय AI को प्रशिक्षित करने के लिए बहुत अधिक अव्यवस्थित थे। इसलिए, उन्होंने Spec2Prop-InorgBench बनाया, जो एक नया "बेंचमार्क" (जो केवल एक मानकीकृत परीक्षण के लिए एक फैंसी शब्द है) है जो कच्चे, अव्यवस्थित स्पेक्ट्रा को अकार्बनिक सामग्रियों के स्वच्छ, लेबल किए गए विवरण से जोड़ता है।

कल्पना कीजिए कि आपके पास 4,118 अलग-अलग रमन स्पेक्ट्रा (कंपन संबंधी फिंगरप्रिंट) का एक विशाल बॉक्स है। उनमें से कई उपयोग के लायक नहीं थे क्योंकि वे बहुत शोर वाले थे या उनमें जानकारी गायब थी। टीम ने डिजिटल सफाईकर्मी की भूमिका निभाई और डेटा को साफ किया। अंत में उनके पास काम करने के लिए 4,027 स्वच्छ अकार्बनिक नमूने बचे। डेटा को कंप्यूटर के लिए तैयार करने के लिए, उन्होंने एक "रनटाइम प्रीप्रोसेसिंग पाइपलाइन" बनाई। इसे एक कारखाने में कन्वेयर बेल्ट की तरह समझें। जैसे ही एक कच्चा स्पेक्ट्रम आता है, बेल्ट:

1. फ़ाइल को पार्स (Parse) करती है (अव्यवस्थित टेक्स्ट को पढ़ती है)।
2. इसे साफ (Clean) करती है (टूटे हुए हिस्सों को हटाती है)।
3. डेटा बिंदुओं को क्रम में सॉर्ट (Sort) करती है।
4. डेटा का इंटरपोलेशन (Interpolate) करती है, यानी इसे खींचती या सिकोड़ती है ताकि प्रत्येक स्पेक्ट्रम के पास ठीक 2,048 बिंदु हों। यह महत्वपूर्ण है क्योंकि यह प्रत्येक अद्वितीय, अव्यवस्थित फिंगरप्रिंट को संख्याओं की एक समान सूची में बदल देता है जिसे कंप्यूटर समझ सके।
5. बेसलाइन को ठीक (Correct the baseline) करती है (पृष्ठभूमि के शोर या "हिस" को हटाती है, जैसे रेडियो पर स्टेटिक को कम करना)।
6. चोटियों (Peaks) को स्मूथ (Smooth) करती है (लहरों को अधिक स्पष्ट बनाती है)।
7. वॉल्यूम को नॉर्मलाइज़ (Normalize) करती है (ताकि एक तेज़ सिग्नल शांत सिग्नल को दबा न दे)।

AI जासूस: LightGBM-DART

एक बार जब डेटा साफ और समान हो गया, तो टीम को एक जासूस की आवश्यकता थी जो इस रहस्य को सुलझा सके कि "यह सामग्री किस परिवार से संबंधित है?" उन्होंने कई AI मॉडल का परीक्षण किया, लेकिन उन्होंने LightGBM-DART नामक एक मॉडल को चुना। आप इस मॉडल को जासूसों की एक टीम के रूप में देख सकते हैं जो उत्तर पर वोट देते हैं। पूरी तस्वीर को देखने के बजाय, यह टीम विशिष्ट सुरागों को पहचानने में बहुत अच्छी है।

जासूसों की मदद करने के लिए, शोधकर्ताओं ने उन्हें केवल कच्चे नंबर ही नहीं दिए। उन्होंने प्रत्येक नमूने के लिए 222 विशेषताओं (सुरागों) का एक विशेष "संदर्भ पत्रक" बनाया:

• 32 ग्लोबल शेप सुराग: ये फिंगरप्रिंट के समग्र वक्र (curve) का वर्णन करते हैं (जैसे किसी व्यक्ति की रूपरेखा)।
• 126 केमिस्ट्री सुराग: ये चोटियों (peaks) के बारे में विशिष्ट नोट्स हैं, जैसे "क्या इस सटीक स्थान पर एक तेज स्पाइक है?" या "क्या इस वक्र के नीचे का क्षेत्र बड़ा है?" ये वास्तविक रसायन विज्ञान के ज्ञान पर आधारित हैं (जैसे, यह जानना कि कार्बोनेट का एक विशिष्ट तेज शिखर होता है)।
• 64 प्रोटोटाइप सुराग: ये मापते हैं कि नमूना प्रत्येक परिवार के "औसत" उदाहरण के कितने समान है जिसे कंप्यूटर ने प्रशिक्षण के दौरान सीखा है।

AI इन सुरागों का उपयोग करके सामग्री के परिवार का अनुमान लगाता है। टीम ने इसे नौ अलग-अलग परिवारों पर परखा: बोरेट (Borate), कार्बोनेट (Carbonate), हैलाइड (Halide), ऑक्साइड (Oxide), फॉस्फेट (Phosphate), सिलिकेट (Silicate), सल्फेट (Sulfate), सल्फाइड (Sulfide), और एक सामान्य समूह जिसे "अन्य/दुर्लभ" (Other/Rare) कहा जाता है।

परिणाम: अनुमान लगाने में कुशल, संदेह के प्रति ईमानदार

परिणाम उत्साहजनक थे, लेकिन पेपर बहुत सावधानी से कहता है कि वे इन्हें बहुत अधिक बढ़ा-चढ़ाकर पेश नहीं कर रहे हैं। 604 नमूनों (ऐसे नमूने जिन्हें AI ने पहले कभी नहीं देखा था) के परीक्षण सेट पर, मॉडल 66.06% बार सही उत्तर देता है। हालांकि यह स्कूल में 'C+' ग्रेड जैसा लग सकता है, लेकिन अव्यवस्थित वैज्ञानिक डेटा की दुनिया में, जहाँ कुछ परिवारों के पास अन्य की तुलना में बहुत अधिक नमूने होते हैं, यह वास्तव में एक ठोस स्कोर है। मॉडल का "मैक्रो-F1" स्कोर (एक ऐसा माप जो सभी परिवारों को समान मानता है, यहाँ तक कि दुर्लभ वालों को भी) 59.21% था।

हालाँकि, असली जादू तब होता है जब आप AI को थोड़ा कम सख्त होने के लिए कहते हैं। यदि आप पूछते हैं, "क्या उत्तर आपके शीर्ष 3 अनुमानों में है?" तो सटीकता बढ़कर 87.42% हो जाती है। स्क्रीनिंग के लिए यह बहुत बड़ा है। इसका मतलब है कि AI हजारों संभावनाओं की सूची को केवल तीन संभावित उम्मीदवारों तक तेजी से सीमित कर सकता है, जिन्हें एक मानव विशेषज्ञ द्वारा सत्यापित किया जाना चाहिए।

पेपर एक "कॉन्फिडेंस-अवेयर" (विश्वास-जागरूक) फीचर भी पेश करता है। AI केवल अनुमान नहीं लगाता; यह आपको बताता है कि वह कितना आश्वस्त है।

• यदि AI बहुत आश्वस्त है (0 से 1 के पैमाने पर 0.8 से ऊपर), तो यह केवल लगभग 43% नमूनों को स्वीकार करेगा, लेकिन उन नम들이 के लिए जो वह स्वीकार करता है, यह 89.23% सटीक है।
• यदि आप विश्वास की सीमा को 0.5 तक कम करते हैं, तो यह 79% नमूनों को स्वीकार करता है, लेकिन सटीकता गिरकर 73.80% हो जाती है।

यह एक क्लब के सुरक्षा गार्ड की तरह है। यदि गार्ड बहुत सख्त (उच्च विश्वास) है, तो वह कम लोगों को अंदर जाने देता है, लेकिन जो भी अंदर आता है, वह निश्चित रूप से सूची में होता है। यदि वह अधिक उदार है, तो वह अधिक लोगों को अंदर जाने देता है, लेकिन गलती होने की संभावना अधिक होती है। पेपर इस बात पर जोर देता है कि यह उपकरण स्क्रीनिंग और प्राथमिकता देने के लिए है, न कि अंतिम, निर्णायक वैज्ञानिक दावे करने के लिए। यह एक "उम्मीदवार सॉर्टर" है, "अंतिम न्यायाधीश" नहीं।

गुणों की भविष्यवाणी और उपकरणों का मिश्रण

शोधकर्ताओं ने अन्य गुणों की भविष्यवाणी करने का भी प्रयास किया, जैसे कि कोई सामग्री धातु है या गैर-धातु, या इसका "बैंड-गैप" (एक गुण जो इलेक्ट्रॉनिक्स के लिए महत्वपूर्ण है)। उन्होंने पाया कि इन कार्यों के लिए, एक अलग AI मॉडल जिसे XGBoost कहा जाता है, सबसे अच्छा काम करता है, जो कच्चे स्पेक्ट्रल डेटा की आवश्यकता के बिना केमिस्ट्री सुरागों (डिस्क्रिप्टर्स) का उपयोग करता है। इसने उच्च सटीकता प्राप्त की, धातु/गैर-धातु वर्गीकरण के लिए 93.50% सही और फॉर्मेशन एनर्जी के लिए 90.98% सही पाया।

उन्होंने एक "मल्टीमॉडल" दृष्टिकोण भी आजमाया, जिसमें AI को रमन डेटा और एक्स-रे डेटा दोनों को एक साथ दिया गया। उन्होंने इसके लिए एक विशेष 'ड्यूल-ब्रेन नेटवर्क' बनाया। हालांकि यह काम कर गया और इसने साबित किया कि डेटा को जोड़ा जा सकता है, लेकिन पेपर सावधानीपूर्वक कहता है कि वे अभी यह दावा नहीं कर सकते कि यह केवल रमन डेटा का उपयोग करने से बेहतर है, क्योंकि उनके पास बिल्कुल समान नमूनों के सेट के लिए एक सटीक तुलना परीक्षण नहीं था। यह एक "व्यवहार्यता अध्ययन" (feasibility study) है, जो यह दिखाता है कि रास्ता खुला है, लेकिन यह साबित नहीं करता कि कमरा पहले से ही सजा हुआ है।

मुख्य निष्कर्ष (The Bottom Line)

Spec2Prop-InorgBench एक नया, ओपन टूलकिट है जो अव्यवस्थित, वास्तविक दुनिया के वैज्ञानिक डेटा को एक साफ, मानकीकृत प्रारूप में बदल देता है जिससे कंप्यूटर सीख सकें। यह अकार्बनिक सामग्रियों को स्क्रीन करने का एक विश्वसनीय तरीका प्रदान करता है, उन्हें परिवारों में वर्गीकृत करता है और उच्च स्तर के विश्वास के साथ बुनियादी गुणों की भविष्यवाणी करता है।

पेपर स्पष्ट रूप से कहता है कि यह मानव वैज्ञानिकों या प्रयोगशाला प्रयोगों का विकल्प नहीं है। यह एक "कॉन्फिडेंस-अवेयर स्क्रीनिंग वर्कफ़्लो" है। यह शोधकर्ताओं को यह प्राथमिकता देने में मदद करता है कि किन नमूनों को करीब से देखने की आवश्यकता है, जिससे समय और प्रयास की बचत होती है। लेखक स्पष्ट रूप से कहते हैं कि उनके परिणाम डेटा के एक विशिष्ट, निश्चित विभाजन पर आधारित हैं और भविष्य के कार्यों को यह साबित करने के लिए कि ये उपकरण हर जगह काम करते हैं, और अधिक विविध सामग्रियों और विभिन्न उपकरणों पर इनका परीक्षण करने की आवश्यकता है। लेकिन फिलहाल, उन्होंने एक ठोस आधार बनाया है—एक "अनुवादक" और एक "सॉर्टर"—जो नई सामग्रियों की खोज की यात्रा को घास के ढेर में सुई खोजने जैसा कम और एक अच्छी तरह से व्यवस्थित बॉक्स में सुई खोजने जैसा अधिक बनाता है।