Supervised Machine Learning for Predicting Power Conversion Efficiency in Perovskite Solar Cells: A Systematic Review and Quantitative Meta-Analysis

कल्पना कीजिए कि आप दुनिया का सबसे उत्तम चॉकलेट चिप कुकी (cookie) बनाने की कोशिश कर रहे हैं। लेकिन इसमें केवल आटा और चीनी ही नहीं, बल्कि इसमें हजारों गुप्त सामग्रियां, एक रहस्यमय ओवन जो हर सेकंड अपना तापमान बदलता है, और एक मिक्सिंग बाउल शामिल है जो चलाते समय खुद को नया आकार देता है। पेरोवस्काइट सोलर सेल्स (Perovskite Solar Cells - PSCs) बनाने के दौरान वैज्ञानिक बिल्कुल इसी स्थिति का सामना करते हैं। ये चमकदार, अगली पीढ़ी के सौर पैनल हैं जो हमारे भविष्य को ऊर्जा दे सकते हैं, लेकिन इन्हें अत्यधिक कुशल बनाने के लिए एकदम सही रेसिपी ढूँढना 'ट्रायल एंड एरो' (trial and error) का एक दुस्वप्न है।

यहाँ सुपरवाइज्ड मशीन लर्निंग (Supervised Machine Learning - ML) की भूमिका आती है। इसे एक जादुई क्रिस्टल बॉल के रूप में न देखें, बल्कि एक अत्यंत बुद्धिमान, अथक परिश्रमी सहायक शेफ के रूप में देखें जिसने अब तक लिखी गई हर रेसिपी की किताब पढ़ ली है। हजारों कुकीज़ बनाकर यह देखने के बजाय कि कौन सी सबसे अच्छी लगती है, यह सहायक पिछले बेकिंग के डेटा को देखता है और सटीक भविष्यवाणी करता है कि कौन सा मिश्रण एक उत्तम कुकी तैयार करेगा।

महान कुकी प्रतियोगिता: कौन जीतेगा?

इस शोध पत्र के लेखकों ने खाद्य आलोचकों (food critics) की तरह कार्य करने का निर्णय लिया। उन्होंने केवल एक कुकी का स्वाद नहीं चखा; उन्होंने 36 अलग-अलग अध्ययनों (जो 2015 से 2025 के बीच प्रकाशित हुए) को इकट्ठा किया जहाँ वैज्ञानिकों ने इन AI शेफ का उपयोग पावर कन्वर्जन एफिशिएंसी (PCE) यानी सौर सेल कितनी कुशलता से सूर्य के प्रकाश को बिजली में बदलता है, इसकी भविष्यवाणी करने के लिए किया था।

उन्होंने इन सभी AI मॉडलों को एक विशाल अखाड़े में डाला ताकि यह देखा जा सके कि वास्तव में कौन सा सबसे अच्छा काम करता है। यहाँ उनका स्कोरबोर्ड है:

• ट्री-बेस्ड चैंपियंस (रैंडम फॉरेस्ट और XGBoost): ये मॉडल विशेषज्ञ शेफ की एक टीम की तरह हैं जो रेसिपी पर मतदान करते हैं। वे डेटा को देखते हैं और कहते हैं, "यदि तापमान अधिक है और मिक्सिंग की गति कम है, तो हमें एक शानदार परिणाम मिलेगा।" शोध पत्र में पाया गया कि ये ट्री-बेस्ड एन्सेम्बल मेथड्स (tree-based ensemble methods) वर्तमान में रसोई के राजा हैं। जब मानक डेटा तालिकाओं पर परीक्षण किया गया, तो उन्होंने लगातार 0.80 और 0.90 के बीच R² मान प्राप्त किया। सरल शब्दों में, इसका अर्थ है कि वे अविश्वसनीय रूप से सटीक हैं, और लगभग 80% से 90% बार सही भविष्यवाणी करते हैं।
• न्यूरल नेटवर्क दावेदार (आर्टिफिशियल न्यूरल नेटवर्क): ये डीप-लर्निंग रोबोट की तरह हैं जो मानव मस्तिष्क की नकल करने की कोशिश करते हैं। शोध पत्र सुझाव देता है कि वे मजबूत हो रहे हैं, लेकिन उनकी एक कमी है: उन्हें चमकने के लिए डेटा की एक विशाल मात्रा की आवश्यकता होती है। यदि आपके पास छोटा डेटासेट (300 से कम नमूने) है, तो ये रोबोट लड़खड़ा जाते हैं। वे केवल तभी ट्री-बेस्ड चैंपियंस के साथ प्रतिस्पर्धा कर पाते हैं जब आप उन्हें बड़े डेटासेट (1,000 से अधिक नमूने) खिलाते हैं।
• कम प्रदर्शन करने वाले: शोध पत्र स्पष्ट रूप से कुछ अन्य विधियों को इस विशिष्ट कार्य के लिए "गो-टू" (go-to) समाधान के रूप में खारिज करता है। साधारण लीनियर मॉडल्स (जैसे बुनियादी गणितीय समीकरण) और सपोर्ट वेक्टर रिग्रेशन को बहुत कमजोर पाया गया, जो अक्सर सौर सेल के डेटा के जटिल और घुमावदार संबंधों को पकड़ने में विफल रहे। उनकी सटीकता काफी कम थी, जहाँ R² मान अक्सर 0.60 से नीचे गिर जाता था।

डेटा आकार के लिए "गोल्डीलॉक्स" नियम

इस शोध पत्र की सबसे रोमांचक खोजों में से एक यह है कि आपके डेटा का आकार यह कैसे बदल देता है कि आपको किस AI शेफ को काम पर रखना चाहिए। लेखकों ने इसे सही उपकरण चुनने के मार्गदर्शक के रूपas मैप किया है:

1. छोटे डेटासेट (<300 नमूने): यदि आपके पास काम करने के लिए केवल कुछ ही रेसिपी हैं, तो रैंडम फॉरेस्ट (Random Forest) आपका सबसे अच्छा विकल्प है। यह स्थिर है और आसानी से भ्रमित नहीं होता।
2. मध्यम डेटासेट (300–800 नमूने): यह XGBoost और अन्य ग्रेडिएंट बूस्टिंग मॉडलों के लिए सबसे उपयुक्त स्थिति है। उन्हें अपने नॉब्स (knobs) को पूरी तरह से ट्यून करने के लिए थोड़े अधिक डेटा की आवश्यकता होती है, लेकिन एक बार जब वे ऐसा कर लेते हैं, तो वे अद्भुत प्रदर्शन करते हैं।
3. बड़े डेटासेट (>1,000 नमूने): अब आप भारी खिलाड़ियों को बुला सकते है: न्यूरल नेटवर्क (Neural Networks)। सीखने के लिए पर्याप्त डेटा के साथ, वे उन छिपे हुए पैटर्न को पहचानकर दूसरों से बेहतर प्रदर्शन करना शुरू कर सकते हैं जिन्हें सरल मॉडल मिस कर देते हैं।

"किचन" के साथ समस्या

भले ही ये AI शेफ प्रतिभाशाली हैं, शोध पत्र बताता है कि किचन थोड़ा अव्यवस्थित है।

• कोई मानक रेसिपी नहीं: विभिन्न वैज्ञानिक अपने परिणामों को मापने के लिए अलग-अलग तरीकों का उपयोग करते हैं। कुछ "R" का उपयोग करते हैं, कुछ "R²" का, और कुछ तो यह भी नहीं बताते कि उन्होंने अपने मॉडलों का परीक्षण कैसे किया। यह वैसा ही है जैसे एक शेफ मिलीलीटर में कप मापता है और दूसरा औंस (ounces) में। यह तुलना करना कठिन बनाता है कि वास्तव में सबसे अच्छा कौन है।
• "ट्रेन-टेस्ट" जाल: लगभग 52% अध्ययनों ने अपने डेटा को केवल आधा-आधा विभाजित किया (एक आधा सीखने के लिए, एक आधा परीक्षण के लिए)। शोध पत्र का तर्क है कि यह पर्याप्त सख्त नहीं है। एक बेहतर तरीका k-fold क्रॉस-वैलिडेशन (k-fold cross-validation) है (जिसका उपयोग लगभग 41% अध्ययनों में किया गया), जहाँ मॉडल का परीक्षण डेटा के कई अलग-अलग हिस्सों पर किया जाता है ताकि यह सुनिश्चित हो सके कि वह केवल उत्तरों को रट नहीं रहा है।
• ब्लैक बॉक्स: कई मॉडल "ब्लैक बॉक्स" हैं, जिसका अर्थ है कि वे एक उत्तर देते हैं लेकिन यह नहीं समझाते कि क्यों। शोध पत्र सुझाव देता है कि हमें एक्सप्लेनेबल AI (Explainable AI) (SHAP जैसे उपकरणों का उपयोग करके) की ओर बढ़ने की आवश्यकता है ताकि वैज्ञानिक समझ सकें कि वास्तव में कौन सी सामग्री (जैसे एनीलिंग तापमान या सामग्री संरचना) सबसे अधिक मायने रखती है।

भविष्य का रोडमैप

लेखक केवल यह नहीं कह रहे हैं कि "AI अच्छा है।" वे भविष्य के लिए एक मानचित्र बना रहे हैं। वे सौर सेल अनुसंधान को "अनुमान" से "स्वायत्त खोज" (autonomous discovery) की ओर ले जाने के लिए पांच-चरणीय योजना का सुझाव देते हैं:

1. डेटा को साफ करें: ओपन, मानक डेटाबेस बनाएं ताकि सभी एक ही भाषा बोलें।
2. स्मार्ट फीचर्स: AI में केवल यादृच्छिक संख्याएं न डालें; उसे ऐसे फीचर्स दें जो भौतिक रूप से सार्थक हों (जैसे बैंडगैप ऊर्जा)।
3. कठोर परीक्षण: सख्त सत्यापन विधियों का उपयोग करें ताकि हमें पता चल सके कि मॉडल वास्तव में काम करते हैं, न कि केवल कागज पर।
4. फिजिक्स-इन्फॉर्म्ड AI (Physics-Informed AI): यह एक बड़ा बिंदु है। AI को अंधे होकर अनुमान लगाने देने के बजाय, हमें उसे भौतिकी के वास्तविक नियमों (जैसे बिजली कैसे चलती है) को फीड करना चाहिए। यह सुनिश्चित करता है कि AI ऐसा सौर सेल न सुझाए जो कंप्यूटर पर तो शानदार दिखे लेकिन जिसे बनाना भौतिक रूप से असंभव हो।
5. सेल्फ-ड्राइविंग लैब्स: कल्पना कीजिए कि एक रोबोट AI का उपयोग सौर सेल डिजाइन करने के लिए करता है, उसे बनाता है, उसका परीक्षण करता है, और फिर परिणामों को फिर से प्रयास करने के लिए AI को वापस भेजता है। यह "क्लोज्ड-लूप" सिस्टम खोज की गति को जबरदस्त रूप से बढ़ा सकता है।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता कि AI ने सौर सेल की समस्या को "हल" कर दिया है। इसके बजाय, यह सुझाव देता है कि ट्री-बेस्ड मॉडल जैसे रैंडम फॉरेस्ट और XGBoost वर्तमान में सौर सेल दक्षता की भविष्यवाणी करने के लिए सबसे विश्वसनीय उपकरण हैं, विशेष रूप से मध्यम आकार के डेटासेट के साथ काम करते समय। यह चेतावनी देता है कि हमें इन परिणामों पर पूरी तरह से भरोसा करने के लिए बेहतर डेटा मानकों और अधिक पारदर्शी परीक्षण की आवश्यकता है। लेकिन यदि हम उनके रोडमैप का पालन करते हैं—स्मार्ट AI को भौतिकी के नियमों के साथ जोड़कर—तो हम शायद उम्मीद से कहीं अधिक जल्दी एक उत्तम सौर सेल रेसिपी देख पाएंगे।