vIR-OLO: an open-source YOLO-based interface for functional- group detection and localization in infrared spectra
यह शोध पत्र vIR-OLO प्रस्तुत करता है, जो एक ओपन-सोर्स, YOLO-आधारित फ्रेमवर्क है जो इन्फ्रारेड स्पेक्ट्रा में कार्यात्मक समूह (फंक्शनल ग्रुप) की पहचान को ऑब्जेक्ट डिटेक्शन कार्य के रूप में पुनर्गठित करता है ताकि समूह की उपस्थिति का पूर्वानुमान लगाने और विशिष्ट स्पेक्ट्रल क्षेत्रों को स्थानीयकृत करने का कार्य एक साथ किया जा सके, जिससे व्याख्यात्मकता (इंटरप्रिटेबिलिटी) में वृद्धि होती है और मानव-इन-द-लूप वर्कफ़्लो को सहायता मिलती है।
मूल पेपर CC BY 4.0 (https://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 लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
रसायनशास्त्रियों ने अणुओं की संरचना को समझने के लिए लंबे समय से इन्फ्रारेड स्पेक्ट्रोस्कोपी नामक तकनीक पर भरोसा किया है। जब अदृश्य इन्फ्रारेड प्रकाश की एक किरण किसी नमूने से गुजरती है, तो अणु उस प्रकाश के विशिष्ट रंगों को अवशोषित करते हैं, जिससे ग्राफ पर चोटियों (peaks) और घाटियों (valleys) का एक अनूठा पैटर्न बन जाता है। यह पैटर्न एक उंगलियों के निशान (फिंगरप्रिंट) की तरह कार्य करता है, जो परमाणुओं के विशिष्ट समूहों की उपस्थिति को प्रकट करता है जिन्हें कार्यात्मक समूह (functional groups) कहा जाता है। इन समूहों की पहचान करना नई दवाओं की खोज से लेकर प्राचीन कलाकृतियों के विश्लेषण तक, हर चीज़ के लिए आवश्यक है। हालाँकि, इन फिंगरप्रिंट्स को पढ़ना पारंपरिक रूप से एक धीमा और मैनुअल काम रहा है। एक विशेषज्ञ को ग्राफ को देखना होता है, प्रत्येक चोटी के आकार और स्थिति को पहचानना होता है, और यह तय करना होता है कि वह किस रासायनिक समूह का प्रतिनिधित्व करती है। इस प्रक्रिया के लिए वर्षों के प्रशिक्षण और डेटाबेस के निरंतर संदर्भ की आवश्यकता होती है, और यदि पैटर्न अस्पष्ट हों या अणु असामान्य हों, तो विशेषज्ञों से भी गलतियाँ हो सकती हैं।
हाल ही में, वैज्ञानिकों ने इन रीडिंग को स्वचालित करने के लिए कंप्यूटर प्रोग्रामों का उपयोग करने का प्रयास किया है। इनमें से अधिकांश प्रोग्राम एक सरल क्लासिफायर (वर्गीकारक) की तरह कार्य करते हैं: वे पूरे ग्राफ को देखते हैं और उन समूहों की एक सूची आउटपुट करते हैं जो उनके अनुसार मौजूद हैं। हालांकि यह हाथ से करने की तुलना में तेज़ है, लेकिन इसमें एक महत्वपूर्ण दोष है। कंप्यूटर एक उत्तर तो देता है लेकिन यह कोई दृश्य प्रमाण नहीं देता कि उसने साक्ष्य कहाँ पाया। यह एक शिक्षक की तरह है जो परीक्षा ग्रेड करते समय केवल अंतिम स्कोर लिख देता है बिना यह दिखाए कि कौन से प्रश्न सही उत्तर दिए गए थे। यह नहीं देख पाने के कारण कि कंप्यूटर ने अपने निर्णय के लिए ग्राफ के किस विशिष्ट भाग का उपयोग किया है, एक मानव वैज्ञानिक आसानी से परिणाम को सत्यापित या त्रुटि होने पर उसे सुधार नहीं सकता। पारदर्शिता की यह कमी मशीन के निर्णय पर विश्वास बनाना या भविष्य के मॉडलों को बेहतर बनाने के लिए कंप्यूटर के कार्य का उपयोग करना कठिन बना देती है।
मैकमास्टर यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने vIR-OLO नामक एक नया टूल बनाकर इस अंतर को दूर किया है। इस समस्या को केवल एक सूची बनाने वाले अभ्यास के रूप में देखने के बजाय, उन्होंने इसे एक छवि के भीतर विशिष्ट वस्तुओं को खोजने और चिह्नित करने के कार्य के रूप में पुनर्गठित किया है। उन्होंने एक प्रकार के आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) को अपनाया जिसे मूल रूप से तस्वीरों में कारों या लोगों को पहचानने के लिए डिज़ाइन किया गया था और इसे इन्फ्ररेड ग्राफ में रासायनिक चोटियों (peaks) को पहचानने के लिए प्रशिक्षित किया। केवल यह कहने के बजाय कि "अल्कोहल मौजूद है," यह सॉफ्टवेयर ग्राफ के ठीक उस हिस्से के चारों ओर एक बॉक्स बनाता है जहाँ अल्कोहल की चोटी दिखाई देती है। यह एक मानव उपयोगकर्ता को यह देखने की अनुमति देता है कि कंप्यूटर वास्तव में क्या देख रहा है, स्थान को सत्यापित करने और यदि कंप्यूटर ने लक्ष्य चूक दिया हो तो बॉक्स को समायोजित करने की अनुमति देता है। यह प्रणाली प्रयोगशाला में एक साथी के रूप में डिज़ाइन की गई है, न कि मानव विशेषज्ञता के विकल्प के रूप में, जो एक ऐसा वर्कफ़्लो सक्षम करती है जहाँ एक वैज्ञानिक कंप्यूटर के सुझावों की तेज़ी से समीक्षा, सुधार और शोधन कर सकता है।
इस प्रणाली को बनाने के लिए, शोधकर्ताओं ने एक सार्वजनिक डेटाबेस से हजारों इन्फ्रारेड ग्राफ एकत्र किए और अल्कोहल, एसिड और एरोमैटिक्स जैसे बारह अलग-अलग प्रकार के कार्यात्मक समूहों के अनुरूप चोटियों के चारों ओर मैन्युअल रूप से बॉक्स बनाए। फिर उन्होंने अपने सॉफ्टवेयर के तीन अलग-अलग संस्करणों को प्रशिक्षित किया, जिनमें से प्रत्येक में रसायनों को समूहित करने के लिए नियमों का एक थोड़ा अलग सेट था। एक संस्करण सभी बारह समूहों को अलग रखता है, दूसरा कीटोन (ketones) और एल्डिहाइड (aldehydes) जैसे समान समूहों को एक एकल "कार्बोनिल" श्रेणी में मिला देता है ताकि भ्रम कम हो सके, और तीसरा संस्करण जटिल पैटर्न को संभालने के लिए कुछ समूहों को बाएं और दाएं हिस्सों में विभाजित करता है। प्रशिक्षण के बाद, उन्होंने सैकड़ों अनदेखे ग्राफों पर सॉफ्टवेयर का परीक्षण किया। परिणामों ने दिखाया कि सिस्टम कार्यात्मक समूहों की पहचान करने में अत्यधिक प्रभावी था, जिसने सभी संस्करणों में 84 प्रतिशत से अधिक मामलों में उन्हें सही ढंग से पहचाना।
इससे भी महत्वपूर्ण बात यह है कि सिस्टम इन समूहों के स्थान को उच्च सटीकता के साथ निर्धारित करने में सक्षम सिद्ध हुआ। जब कंप्यूटर ने एक चोटी के चारों ओर बॉक्स बनाया, तो वह बॉक्स ग्राफ के सही क्षेत्र के साथ 80 प्रतिशत से अधिक समय तक ओवरलैप (अतिव्यापन) हुआ। सटीकता का यह स्तर यह दर्शाता है कि सॉफ्टवेयर केवल अनुमान नहीं लगा रहा है; यह विश्वसनीय रूप से उन विशिष्ट विशेषताओं का पता लगा रहा है जो एक रासायनिक समूह को परिभाषित करती हैं। शोधकर्ताओं ने पाया कि समान समूहों को एक एकल श्रेणी में मिलाने से सिस्टम कभी-कभी सही उत्तर खोजने में थोड़ा अधिक सुसंगत हो जाता है, जबकि समूहों को अलग रखने से अधिक विस्तृत रासायनिक जानकारी मिलती है लेकिन भ्रम से बचने के लिए अधिक डेटा की आवश्यकता होती है। सॉफ्टवेयर यह भी सीख गया कि कुछ समूह अक्सर एक साथ कैसे दिखाई देते हैं, जैसे कि फिनोल और एरोमैटिक्स, जो प्रकृति में पाए जाने वाले रासायनिक संबंधों को दर्शाते हैं।
शोधकर्ताओं ने अपने सॉफ्टवेयर को एक ओपन-सोर्स टूल के रूप में जारी किया है, जिसका अर्थ है कि कोई भी इसे बिना किसी शुल्क के डाउनलोड और उपयोग कर सकता है। इस प्रोग्राम में एक उपयोगकर्ता के अनुकूल इंटरफेस शामिल है जो वैज्ञानिकों को अपना डेटा लोड करने, पहचान चलाने और परिणामों को मैन्युअल रूप से संपादित करने की अनुमति देता है। यदि कोई उपयोगकर्ता गलती सुधारता है, तो सिस्टम उस सुधार से सीख सकता है और अपने भविष्य के अनुमानों में सुधार कर सकता है। यह निरंतर सुधार का एक चक्र बनाता है जहाँ उपकरण अधिक सटीक होता जाता है क्योंकि अधिक लोग इसका उपयोग करते हैं और अपने स्वयं के डेटासेट को परिष्कृत करते हैं। डिटेक्शन प्रक्रिया को दृश्यमान और संपादन योग्य बनाकर, शोधकर्ताओं ने रसायनशास्त्रियों को आर्टिफिशियल इंटेलिजेंस के साथ मिलकर काम करने का एक व्यावहारिक तरीका प्रदान किया है, जो एक 'ब्लैक-बॉक्स' भविष्यवाणी को एक पारदर्शी, सहयोगात्मक प्रक्रिया में बदल देता है जो नए पदार्थों की खोज और विश्लेषण को गति दे सकता 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।