ক্যাটালিস্ট আবিষ্কারের জন্য AI-এর একটি ডেটা-মানের সমস্যা রয়েছে
ভালো ক্যাটালিস্টের অনুসন্ধান, বিশেষ করে জলবায়ু এবং শিল্পকারখানার কার্বন হ্রাস-সম্পর্কিত বিক্রিয়াগুলির ক্ষেত্রে, দ্রুততর করার উপায় হিসেবে কৃত্রিম বুদ্ধিমত্তাকে প্রায়ই উপস্থাপন করা হয়। কিন্তু নতুন বহু-ল্যাবরেটরি গবেষণা ইঙ্গিত দিচ্ছে যে, সেই মডেলগুলিকে খাওয়ানো পরীক্ষার সামঞ্জস্যই হয়তো মডেল ডিজাইনের চেয়ে বড় বাধা হতে পারে।
Nature Catalysis-এ প্রকাশিত কাজ সম্পর্কে প্রতিবেদন করতে গিয়ে Phys.org যুক্তরাষ্ট্রের চারটি ল্যাবরেটরির একটি সহযোগিতার কথা জানায়, যেখানে তারা কার্বন মনোক্সাইড উৎপাদনকারী একটি ক্যাটালিস্ট পরীক্ষা করে, যা কার্বন ডাইঅক্সাইডকে জ্বালানিতে রূপান্তরের কাজে ব্যবহৃত হয়। মূল উপসংহার ছিল স্পষ্ট: প্রোটোকল ও যন্ত্রপাতির পার্থক্য এমন পরিমাণ ভিন্নতা তৈরি করতে পারে, যা উৎপন্ন ডেটার ওপর ভিত্তি করে তৈরি AI এবং মেশিন-লার্নিং পূর্বাভাসের নির্ভরযোগ্যতাকে ক্ষুণ্ণ করে।
এই উপসংহার গুরুত্বপূর্ণ, কারণ ক্যাটালিস্ট গবেষণাকে ক্রমশ AI-এর জন্য আদর্শ ব্যবহারক্ষেত্র হিসেবে দেখা হচ্ছে। তাত্ত্বিকভাবে, একটি মডেল তাপমাত্রা, বিক্রিয়ার সময়, এবং ক্যাটালিস্ট ফর্মুলেশন-এর মতো ভেরিয়েবল গ্রহণ করে সবচেয়ে সম্ভাবনাময় সমন্বয়গুলো অনুমান করতে পারে। গবেষকেরা সেই পূর্বাভাস ব্যবহার করে পরীক্ষা কেন্দ্রীভূত করতে, খরচ কমাতে, এবং কার্যকর রসায়নে দ্রুত পৌঁছাতে পারেন। কিন্তু এই প্রতিশ্রুতি নির্ভর করে এই ধারণার ওপর যে, অন্তর্নিহিত ডেটা অসামঞ্জস্যপূর্ণ পরিমাপ-শর্তের এক জোড়াতালি নয়, বরং একটি স্থিতিশীল বাস্তবতাকে প্রতিফলিত করছে।
চার-ল্যাবের গবেষণা দেখায়, সেই ধারণাটি ভঙ্গুর। পরীক্ষামূলক অসামঞ্জস্য শুধু সামান্য অসুবিধা নয়, যেটিকে গড় করে বাদ দেওয়া যাবে। এটি সরাসরি প্রভাব ফেলতে পারে AI সিস্টেম “কি শিখছে” তার ওপর, ফলে যেসব ধারা দেখা যাচ্ছে সেগুলো হয়তো যন্ত্রপাতি বা স্থানীয় চর্চার ফল, আসল রসায়নের নয়, এমন বিশ্বাস তৈরি হতে পারে।
AI যখন কাজের প্রবাহে আসে, পুনরুত্পাদনযোগ্যতা আরও গুরুত্বপূর্ণ কেন
ঐতিহ্যগত পরীক্ষামূলক বিজ্ঞান সবসময়ই পুনরুত্পাদনযোগ্যতাকে গুরুত্ব দিয়েছে, কিন্তু AI সমস্যাটির পরিসর বদলে দেয়। একটি ভুলভ্রান্ত ডেটাসেট একটি মডেলকে পক্ষপাতগ্রস্ত করতে পারে। বহু অসামঞ্জস্যপূর্ণ ডেটাসেটের একটি বড় সংগ্রহ সেই অসামঞ্জস্যগুলোকে বৃহৎ পরিসরে এনকোড করতে পারে, ফলে পূর্বাভাসগুলো কঠোর বলে মনে হলেও তা গবেষকেরা যে ভৌত আচরণ বোঝতে চান, তার থেকে সরে যেতে পারে।
গবেষণাটি এমন একটি ক্যাটালিস্টের ওপর কেন্দ্রীভূত ছিল, যা কার্বন ডাইঅক্সাইড থেকে কার্বন মনোক্সাইড তৈরি করে, এবং এটিকে CO2-কে ব্যবহারযোগ্য জ্বালানিতে রূপান্তরের একটি গুরুত্বপূর্ণ প্রথম ধাপ হিসেবে বর্ণনা করা হয়েছে। এই ধরনের রসায়ন কৌশলগতভাবে গুরুত্বপূর্ণ, কারণ এটি কম-কার্বন শিল্পপ্রক্রিয়া ও শক্তি-পথ তৈরির বৃহত্তর প্রচেষ্টার ভেতরে অবস্থান করে। যদি AI সরঞ্জাম ক্যাটালিস্টের স্থায়িত্ব ও কর্মক্ষমতা র্যাঙ্ক করতে সাহায্য করে, তবে তাদের এমন প্রশিক্ষণ ডেটা দরকার যা ল্যাব, সময়সীমা, এবং অপারেটিং সেটআপ জুড়ে তুলনাযোগ্য থাকে।
তা শোনার চেয়ে অনেক কঠিন। Phys.org-এর প্রতিবেদনে বলা হয়েছে, বেশিরভাগ ল্যাবরেটরি ক্যাটালিসিস গবেষণা দিনের হিসাবে মাপা স্বল্প সময়কাল পরীক্ষা করে, অথচ দূষক জমা হওয়া এবং উপাদানগুলির বারবার উচ্চ তাপমাত্রার সংস্পর্শে আসার ফলে ক্যাটালিস্ট নিষ্ক্রিয়তা মাস বা বছরের পর বছর ধরে বিকশিত হতে পারে। AI মডেল আকর্ষণীয় আংশিক কারণ তারা এমন শর্ত অন্বেষণ করতে পারে, যা হাতে পুনরুত্পাদন করা কঠিন। কিন্তু প্রশিক্ষণের জন্য ব্যবহৃত স্বল্পমেয়াদি ডেটা যদি ল্যাবভেদে অসামঞ্জস্যপূর্ণ হয়, তবে দীর্ঘমেয়াদি আচরণে তা সম্প্রসারিত করা আরও ঝুঁকিপূর্ণ হয়ে ওঠে।
পত্রটির লেখকেরা এটিকে এমন একটি সতর্কতা হিসেবে উপস্থাপন করেছেন যে, বিজ্ঞানীরা মেশিন-লার্নিং সিস্টেমে কী তথ্য দিচ্ছেন। গবেষণায় AI-কে ঘিরে উচ্ছ্বাস কখনও কখনও ডেটা সৃষ্টির শৃঙ্খলার চেয়ে এগিয়ে যাওয়ার মুহূর্তে এই সতর্কতা এসেছে। অনেক ক্ষেত্রে ল্যাবরেটরিগুলোর দশকের পুরোনো পদ্ধতি, নিজস্ব যন্ত্র, এবং স্থানীয় অপারেটিং অভ্যাস থাকে। এগুলো আলাদা আলাদা প্রবন্ধের ক্ষেত্রে সামলানো যায়, কিন্তু ডেটা যখন একটি প্রেডিক্টিভ ইঞ্জিনে একত্রিত হয়, তখন তা গুরুতর বাধায় পরিণত হতে পারে।
সহায়ক প্রযুক্তি হিসেবে মানকীকরণ
গবেষণাটির সবচেয়ে গুরুত্বপূর্ণ ইঙ্গিতগুলোর একটি হলো, মানকীকরণকে আমলাতান্ত্রিক বাড়তি বোঝা হিসেবে দেখা উচিত নয়। এটি বৈজ্ঞানিক AI-এর জন্য একটি সহায়ক প্রযুক্তি।
প্রতিবেদন অনুযায়ী, চার-ল্যাবের প্রচেষ্টা দেখিয়েছে, প্রোটোকল ও যন্ত্রপাতির মানকীকরণ কীভাবে ফলাফলের ভিন্নতা নিয়ন্ত্রণ করে। এটি সমস্যাটিকে নতুনভাবে দেখায়। বিষয়টি কেবল এই নয় যে কিছু ডেটাসেট অন্যগুলোর তুলনায় বেশি নয়েজপূর্ণ। ডেটা তৈরির পদ্ধতিগুলোই নির্ধারণ করতে পারে, একটি AI মডেল রসায়ন শিখছে নাকি ল্যাব-নির্দিষ্ট খুঁটিনাটি শিখছে।
গবেষণা প্রতিষ্ঠানের জন্য এর কার্যগত প্রভাব রয়েছে। ম্যাটেরিয়ালস সায়েন্সের জন্য কার্যকর AI তৈরি করতে বৃহৎ মডেলিং প্রচেষ্টা শুরুর আগে সামঞ্জস্যপূর্ণ পরীক্ষার নকশা, ভাগ করা বেঞ্চমার্ক, মেটাডেটা শৃঙ্খলা, এবং সাইট-টু-সাইট যাচাইয়ে বিনিয়োগ প্রয়োজন হতে পারে। অন্য কথায়, ভালো AI-এর পথে প্রথম পদক্ষেপ হতে পারে বড় কম্পিউট ক্লাস্টারের চেয়ে ভালো ল্যাব-প্রক্রিয়া নিয়ন্ত্রণ।
মাল্টি-ইনস্টিটিউশনাল পাবলিক-প্রাইভেট গবেষণা কর্মসূচির ক্ষেত্রে এটি বিশেষভাবে প্রাসঙ্গিক, যারা নানা প্রতিষ্ঠান থেকে ডেটা একত্র করতে চায়। তথ্য একত্র করলে নমুনার আকার বাড়ে, কিন্তু কেবল তখনই যখন মিলিত রেকর্ডগুলো সত্যিই তুলনাযোগ্য। তা না হলে, বেশি ডেটা বোঝা হয়ে উঠতে পারে, মডেলকে ব্যাপ্তির ভান দিতে পারে অথচ অবদানকারীদের মধ্যে পদ্ধতিগত মতপার্থক্য আড়াল করে।
বৈজ্ঞানিক AI-এর আরও বাস্তবসম্মত চিত্র
এই গবেষণা ক্যাটালিস্ট আবিষ্কারে AI-এর বিরুদ্ধে যুক্তি দেয় না। বরং, AI কখন সত্যিই কার্যকর হতে পারে, সেই শর্তগুলোকে স্পষ্ট করে। ভালো ডেটা থাকলে মডেল পরীক্ষা-নিরীক্ষার ক্ষেত্র সংকুচিত করতে, সময় ও খরচ কমাতে, এবং ল্যাবে কঠিনে পৌঁছানো যায় এমন রেজিম অন্বেষণ করতে পারে। সেই সুবিধাগুলো এখনও আকর্ষণীয়। চার-ল্যাব তুলনা শুধু মনে করিয়ে দেয় যে মডেলের গুণমান ডেটার উৎস এবং পরিমাপ-পদ্ধতি থেকে বিচ্ছিন্ন নয়।
এই বার্তা ক্যাটালিসিসের বাইরেও প্রযোজ্য। এখন অনেক বৈজ্ঞানিক ক্ষেত্র স্বয়ংক্রিয় পরীক্ষা, মেশিন লার্নিং, এবং ভাগ করা ডেটাসেটকে একত্র করতে চায়। যেখানে মাপজোক স্থানীয় যন্ত্র, ক্যালিব্রেশন রুটিন, বা অন্তর্নিহিত প্রক্রিয়াগত সিদ্ধান্তের ওপর নির্ভর করে, সেখানেই একই ঝুঁকি থাকে। যদি সেই পার্থক্যগুলো প্রকাশ না করা হয় এবং নিয়ন্ত্রণ না করা হয়, AI সিস্টেম লুকানো অসামঞ্জস্যকে সমাধান করার বদলে আরও বাড়িয়ে তুলতে পারে।
ব্যবহারিকভাবে, নতুন এই কাজ তহবিল সংস্থা, জাতীয় ল্যাব, এবং বিশ্ববিদ্যালয় কনসোর্টিয়ামকে পুনরুত্পাদনযোগ্যতা অবকাঠামোর ওপর আরও জোর দিতে উৎসাহিত করতে পারে। বৈজ্ঞানিক AI-এর ঝলমলে স্তরটি প্রায়ই মডেল। কিন্তু টেকসই স্তরটি হলো সেই পরিমাপ ব্যবস্থা, যা বিশ্বাসযোগ্য মডেলিংকে সম্ভব করে।
এরপর কী
গবেষণাটির তাৎক্ষণিক শিক্ষা AI থেকে সরে আসা নয়, বরং পরীক্ষা-নিরীক্ষা এবং মডেলিংয়ের মধ্যে লুপটিকে আরও শক্ত করা। ল্যাব-ভিত্তিক বেঞ্চমার্ক, একমত পরীক্ষার শর্ত, এবং যন্ত্রপাতি ও পদ্ধতি সম্পর্কে স্পষ্ট মেটাডেটা ক্যাটালিস্ট ডেটাসেটকে আরও নির্ভরযোগ্য করে তুলতে পারে। এমন যাচাই-স্কিমও সহায়ক হতে পারে, যা ইচ্ছাকৃতভাবে পরীক্ষা করে যে একটি পরিবেশে প্রশিক্ষিত মডেল অন্যত্র তৈরি ডেটার মুখোমুখি হলে এখনও কার্যকর থাকে কি না।
কার্বন ডাইঅক্সাইড রূপান্তর গবেষণার জন্য এসব উন্নতির মূল্য অনেক হতে পারে। এই ক্ষেত্র এমন ক্যাটালিস্ট খুঁজছে, যা শুধু স্বল্প পরীক্ষায় সক্রিয় নয়, বরং স্থিতিশীল, স্কেলযোগ্য, এবং দীর্ঘ অপারেটিং উইন্ডোতে ব্যবহারযোগ্য। AI এখনও সেই প্রার্থীদের দ্রুত শনাক্ত করতে সহায়তা করতে পারে। নতুন গবেষণা বলছে, বিজ্ঞানীরা যদি পুনরুত্পাদনযোগ্যতাকে মডেলের অংশ হিসেবে বিবেচনা করেন, তাহলেই তা সম্ভব হবে।
এটাই এখানে শিল্পগত দিক থেকে গভীর সংকেত। গবেষণা AI-তে, ভালো পূর্বাভাস তখন শুরু হয় না যখন অ্যালগরিদম চলে। শুরু হয় তখন, যখন প্রথম পরীক্ষাটিই এমনভাবে নকশা করা হয় যাতে আরেকটি ল্যাব, আরেকটি যন্ত্র, এবং শেষ পর্যন্ত আরেকটি মডেল ফলাফলের অর্থকে বিশ্বাস করতে পারে।
এই নিবন্ধটি Phys.org-এর প্রতিবেদন ভিত্তিক। মূল নিবন্ধটি পড়ুন.
Originally published on phys.org