Enhancing Property Prediction of OLED Materials under Data Scarcity via Cognitive Eye-Tracking-Informed Attention Mechanism Models

सामग्री विज्ञान (materials science) की दुनिया में, अगली पीढ़ी के इलेक्ट्रॉनिक डिस्प्ले को डिजाइन करना अक्सर घास के ढेर में सुई खोजने जैसा लगता है, लेकिन वह घास का ढेर अदृश्य परमाणुओं से बना होता है और सुई ऊर्जा की एक विशिष्ट व्यवस्था होती है। वैज्ञानिक लगातार नए कार्बनिक अणुओं (organic molecules) की तलाश में रहते हैं जो कुशलता से प्रकाश उत्सर्जित कर सकें, विशेष रूप से ऑर्गेनिक लाइट-एमिटिंग डायोड्स (OLEDs) के उपयोग के लिए। इन अणुओं को खोजने के लिए, शोधकर्ता पारंपरिक रूप से दो विधियों पर निर्भर करते हैं: जटिल कंप्यूटर सिमुलेशन चलाना जिन्हें पूरा होने में कई दिन लगते हैं, या भौतिक प्रयोग करना जो महंगे और धीमे होते हैं। दोनों दृष्टिकोण तब संघर्ष करते हैं जब कंप्यूटर को पैटर्न पहचानने के लिए प्रशिक्षित करने हेतु पर्याप्त डेटा नहीं होता, जो कि अत्याधुनिक अनुसंधान में एक आम स्थिति है जहाँ नए पदार्थ दुर्लभ होते हैं। दशकों से, यह आशा रही है कि आर्टिफिशियल इंटेलिजेंस (AI) यह सीख सकता है कि किसी अणु के आकार को देखकर वह कैसे व्यवहार करेगा, लेकिन ये कंप्यूटर मॉडल अक्सर विफल हो जाते हैं जब उनके पास अध्ययन के लिए विशाल पुस्तकालयों की कमी होती है। वे मूल नियमों को समझने के बजाय केवल अनुमान लगाते हैं, ठीक वैसे ही जैसे कोई छात्र बिना पाठ समझे उत्तरों को रट लेता है।

एक टीम के शोधकर्ताओं ने कंप्यूटर को मानव विशेषज्ञों की तरह सोचने के लिए प्रशिक्षित करने का एक तरीका खोजा है, यह देखते हुए कि वे विशेषज्ञ वास्तव में अणुओं को कैसे देखते हैं। कंप्यूटर को उन लाखों डेटा बिंदुओं से सीखने के लिए मजबूर करने के बजाय जो उसके पास नहीं हैं, वैज्ञानिकों ने अनुभवी रसायनविदों द्वारा स्क्रीन पर कार्बनिक अणुओं की संरचना का अध्ययन करते समय उनकी आंखों की गतिविधियों को रिकॉर्ड किया। उन्होंने पाया कि विशेषज्ञ केवल खाली नहीं देखते; वे ध्यान देने के एक विशिष्ट, दोहराने योग्य पैटर्न का पालन करते हैं। सबसे पहले, वे अणु को तेजी से स्कैन करते हैं, और केवल तभी धीमे होते हैं जब वे संरचना के विभिन्न हिस्सों के बीच के महत्वपूर्ण कनेक्शनों तक पहुँचते हैं। फिर, वे यह समझने के लिए कि वे हिस्से कैसे परस्पर क्रिया करते हैं, विशिष्ट क्षेत्रों पर गहनता से ध्यान केंद्रित करते हैं। इन दृश्य आदतों को कंप्यूटर कोड की भाषा में बदलकर, शोधकर्ताओं ने एक नए प्रकार का आर्टिफिशियल इंटेलिजेंस बनाया जो मानव दृष्टि के इस तरीके की नकल करता है। अणुओं के अपेक्षाकृत छोटे सेट पर प्रशिक्षित होकर, इस मॉडल ने एक अणु के भीतर इलेक्ट्रॉनों के वितरण की भविष्यवाणी करने में ऐसी सटीकता हासिल की जो सबसे शक्तिशाली, समय लेने वाले कंप्यूटर सिमुलेशन का मुकाबला करती है, और साथ ही यह भी स्पष्ट करता है कि इसने वे भविष्यवाणियां क्यों कीं।

इस खोज का मूल तत्व यह समझना है कि मानव विशेषज्ञ दृश्य जानकारी को कैसे संसाधित करते हैं। जब एक रसायनविद एक जटिल अणु को देखता है, तो उसकी आँखें एक सहज, निरंतर रेखा में नहीं चलतीं। इसके बजाय, वे एक स्थान से दूसरे स्थान पर तेजी से कूदती हैं, जिसे 'सैकैड' (sccade) कहा जाता है, और फिर जानकारी एकत्र करने के लिए रुकती हैं, जिसे 'फिक्सेशन' (fixation) कहा जाता है। शोधकर्ताओं ने पाया कि जब इन विशेषज्ञों ने एक अणु के इलेक्ट्रॉनिक गुणों का विश्लेषण किया, तो उनकी आँखें एक बहुत ही विशिष्ट तरीके से व्यवहार करती थीं। एक नई संरचना को देखने के पहले कुछ सेकंड के दौरान, उनकी आँखें तेजी से चलती थीं लेकिन जब भी वे इलेक्ट्रॉन-दाता (electron-donating) और इलेक्ट्रॉन-ग्राही (electron-accepting) भागों को जोड़ने वाले "पुलों" (bridges) के ऊपर से गुजरती थीं, तो काफी धीमी हो जाती थीं। इन धीमी गति वाले क्षेत्रों को, जिन्हें शोधकर्ताओं ने 'डिसिलरेटेड सैकैड ज़ोन' (Decelerated Saccade Zones) नाम दिया, ने खुलासा किया कि विशेषज्ञ सबसे महत्वपूर्ण कनेक्शनों को सक्रिय रूप से संसाधित कर रहे थे। जैसे-जैसे समय बीतता गया, विशेषज्ञों ने स्कैन करना बंद कर दिया और सूचनाओं को एकीकृत करने के लिए परमाणुओं के विशिष्ट समूहों पर अपनी दृष्टि को लंबे समय तक टिकाना शुरू कर दिया। यह दो-चरणीय प्रक्रिया—पहले एक व्यापक स्कैन जिसमें केंद्रित धीमापन शामिल है, और उसके बाद गहरा, निरंतर ध्यान—वह प्रमुख पैटर्न था जिसे टीम ने पकड़ना चाहा।

इन प्रेक्षणों को एक कामकाजी उपकरण में बदलने के लिए, शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाया जो मानव ध्यान के इन दो चरणों की नकल करता है। मॉडल का पहला भाग प्रारंभिक स्कैन की तरह कार्य करता है, जो एक ऐसे नेटवर्क का उपयोग करता है जो अणु के छोटे, स्थानीय टुकड़ों को देखने और फिर समग्र आकार को समझने के लिए उन्हें जल्दी से जोड़ने के लिए डिज़ाइन किया गया है। यह तीव्र नेत्र गतिविधियों और महत्वपूर्ण पुलों पर धीमे होने की नकल करता है। दूसरा भाग गहरे फोकस के रूप में कार्य करता है, जो एक ऐसी प्रणाली का उपयोग करता है जो कंप्यूटर को कम प्रासंगिक विवरणों को त्यागकर सबसे महत्वपूर्ण जानकारी को थामे रखने की अनुमति देता है, ठीक वैसे ही जैसे मानव मस्तिष्क मुख्य समस्या पर ध्यान केंद्रित करने के लिए विकर्षणों को फ़िल्टर करता है। इन 733 कार्बनिक अणुओं के डेटासेट पर प्रशिक्षित करके, जो कुशलता से प्रकाश उत्सर्जित करने की क्षमता के लिए जाने जाते हैं, मॉडल ने सीखा कि अणु के भीतर इलेक्ट्रॉन कहाँ स्थित होंगे। परिणाम आश्चर्यजनक थे: मॉडल ने उच्च-शक्ति वाले कंप्यूटर सिमुलेशन की तुलना में एक प्रतिशत से भी कम की त्रुटि दर के साथ इलेक्ट्रॉन वितरण की भविष्यवाणी की, जिन्हें आमतौर पर चलाने में कई दिन लगते हैं।

इस उपलब्धि को जो बात विशेष रूप से महत्वपूर्ण बनाती है, वह केवल इसकी सटीकता नहीं है, बल्कि यह तथ्य है कि यह मॉडल अन्य आर्टिफिशियल इंटेलिजेंस प्रणालियों द्वारा की जाने वाली सामान्य गलतियों से बचता है। मानक कंप्यूटर मॉडल अक्सर तब संघर्ष करते हैं जब किसी अणु के कई समान भाग होते हैं, वे अक्सर भ्रमित हो जाते हैं कि कौन सा भाग क्या कर रहा है, या वे गलत परमाणुओं को विद्युत गुण गलत तरीके से सौंप सकते हैं। हालाँकि, नया मॉडल लगातार सही क्षेत्रों की पहचान करता है, जो उस रासायनिक अंतर्ज्ञान (chemical intuition) को दर्शाता है जिसकी शुद्ध डेटा-संचालित मॉडल में कमी होती है। ऐसा इसलिए है क्योंकि मॉडल को उन्हीं संरचनात्मक अंतःक्रियाओं को प्राथमिकता देने के लिए बनाया गया था जिन्हें मानव विशेषज्ञ महत्व देते हैं। जब शोधकर्ताओं ने मॉडल के भीतर देखा कि वह किस चीज़ पर "ध्यान दे रहा है," तो उन्होंने पाया कि इसने ठीक उन्हीं कनेक्शनों और कार्यात्मक समूहों को उजागर किया जिनका परीक्षण करने के लिए मानव विशेषज्ञों ने अपनी आँखों की गति धीमी की थी। कंप्यूटर ने प्रभावी रूप से अणु को उसी तरह देखना सीख लिया जैसे एक रसायनविद देखता है, उन पुलों और महत्वपूर्ण जंक्शनों पर ध्यान केंद्रित करते हुए जो सामग्री के प्रदर्शन को निर्धारित करते हैं।

इस कार्य के निहितार्थ केवल तेजी से सही उत्तर प्राप्त करने से कहीं आगे हैं। अतीत में, विज्ञान में आर्टिफिशियल इंटेलिजेंस अक्सर एक "ब्लैक बॉक्स" रहा है, जहाँ कंप्यूटर यह बताए बिना भविष्यवाणी करता है कि वह उस निष्कर्ष तक कैसे पहुँचा। यह नया दृष्टिकोण तर्क प्रक्रिया का एक स्पष्ट दृश्य प्रदान करता है। क्योंकि मॉडल के ध्यान तंत्र (attention mechanisms) मानव दृश्य व्यवहार के अनुरूप हैं, वैज्ञानिक मॉडल के आउटपुट को देख सकते हैं और देख सकते हैं कि इसने किन हिस्सों को महत्वपूर्ण माना। यह एक मात्रात्मक मानचित्र प्रदान करता है कि कैसे अणु के विभिन्न भाग एक-दूसरे को प्रभावित करते हैं, जो बेहतर सामग्री डिजाइन करने के लिए एक नया उपकरण प्रदान करता है। शोधकर्ताओं ने दिखाया कि मॉडल विशिष्ट संरचनात्मक जोड़ों की पहचान कर सकता है जिनका अणु के इलेक्ट्रॉनिक गुणों पर गहरा प्रभाव पड़ता है, जो रसायनविदों के लिए एक मार्गदर्शिका प्रदान करता है कि प्रदर्शन में सुधार के लिए कहाँ परिवर्तन किए जाएं। मशीन की वास्तुकला में सीधे मानव संज्ञानात्मक पैटर्न को शामिल करके, टीम ने एक ऐसी प्रणाली बनाई है जो केवल गणना नहीं करती, बल्कि समझती है, जिससे उस क्षेत्र में मानव अंतर्ज्ञान और कम्प्यूटेशनल शक्ति के बीच के अंतर को पाटा जा सकता है जहाँ डेटा दुर्लभ है और सटीकता सर्वोपरि है।