उत्प्रेरक शोधासाठी AIसमोर डेटा-गुणवत्तेची समस्या आहे
विशेषतः हवामान आणि औद्योगिक कार्बन-घटाशी संबंधित अभिक्रियांसाठी, अधिक चांगले उत्प्रेरक शोधण्याची प्रक्रिया वेगवान करण्याचा एक मार्ग म्हणून कृत्रिम बुद्धिमत्तेकडे अनेकदा पाहिले जाते. पण एका नव्या बहु-प्रयोगशाळा अभ्यासातून सूचित होते की, त्या मॉडेल्सना पुरवला जाणारा प्रयोगांचा सुसंगतपणा हा मॉडेलच्या रचनेइतकाच किंवा त्याहून मोठा अडथळा असू शकतो.
Nature Catalysis मध्ये प्रकाशित कामाबद्दल माहिती देताना Phys.org ने अमेरिकेतील चार प्रयोगशाळांच्या सहकार्याचे वर्णन केले, ज्यांनी कार्बन डायऑक्साइडचे इंधनांमध्ये रूपांतर करण्याच्या प्रक्रियेत वापरल्या जाणाऱ्या कार्बन मोनोऑक्साइड-निर्माण करणाऱ्या एका उत्प्रेरकाची चाचणी केली. मुख्य निष्कर्ष ठळक होता: प्रोटोकॉल आणि उपकरणांतील फरक इतकी बदलशीलता निर्माण करू शकतात की त्यावर आधारित AI आणि मशीन-लर्निंग अंदाजांची विश्वासार्हता कमी होऊ शकते.
हा निष्कर्ष महत्त्वाचा आहे, कारण उत्प्रेरक संशोधनाला वाढत्या प्रमाणावर AI साठी आदर्श वापरप्रकरण मानले जाते. तत्त्वतः, एक मॉडेल तापमान, अभिक्रिया वेळ, आणि उत्प्रेरक संरचना यांसारखी चल घटक स्वीकारून कोणते संयोजन सर्वाधिक आशादायक आहेत हे भाकीत करू शकते. संशोधक त्या अंदाजांचा वापर करून प्रयोग केंद्रित करू शकतात, खर्च कमी करू शकतात, आणि उपयुक्त रसायनशास्त्रापर्यंत जलद पोहोचू शकतात. पण ही अपेक्षा या कल्पनेवर अवलंबून आहे की मूळ डेटा हा विसंगत मोजमाप-अटींचा तुकड्या-तुकड्यांचा संच नसून एका स्थिर वास्तवाचे प्रतिबिंब आहे.
चार-लॅब अभ्यास सूचित करतो की हा अंदाज नाजूक आहे. प्रयोगांमधील असुसंगती ही फक्त दुर्लक्ष करून चालणारी गैरसोय नाही. ती थेट AI प्रणाली काय “शिकते” हे ठरवू शकते, ज्यामुळे रसायनशास्त्राऐवजी उपकरणांच्या किंवा स्थानिक पद्धतींच्या वैशिष्ट्यांमधून तयार झालेल्या नमुन्यांवर विश्वास निर्माण होऊ शकतो.
AI कार्यप्रवाहात येतो तेव्हा पुनरुत्पादकता का अधिक महत्त्वाची ठरते
पारंपरिक प्रयोगशास्त्र नेहमीच पुनरुत्पादकतेची काळजी घेत आले आहे, पण AI मुळे या समस्येचा आकार बदलतो. एकच दिशाभूल करणारा डेटासेट मॉडेलमध्ये पक्षपात निर्माण करू शकतो. मोठ्या प्रमाणावर असुसंगत डेटासेटचा संग्रह त्या विसंगती मोठ्या प्रमाणात एन्कोड करू शकतो, ज्यामुळे अंदाज काटेकोर वाटतात, पण ते संशोधकांना प्रत्यक्षात समजून घ्यायचा असलेला भौतिक वर्तनापासून दूर जाऊ शकतात.
या अभ्यासाचा केंद्रबिंदू असा उत्प्रेरक होता जो कार्बन डायऑक्साइडपासून कार्बन मोनोऑक्साइड तयार करतो, ज्याचे वर्णन CO2 ला उपयुक्त इंधनांमध्ये बदलण्याच्या एका महत्त्वाच्या पहिल्या टप्प्यासारखे केले आहे. अशा प्रकारचे रसायनशास्त्र धोरणात्मक दृष्ट्या महत्त्वाचे आहे, कारण ते कमी-कार्बन औद्योगिक प्रक्रिया आणि ऊर्जा मार्ग तयार करण्याच्या व्यापक प्रयत्नांमध्ये येते. जर AI साधने उत्प्रेरकांची टिकाऊपणा आणि कार्यक्षमता क्रमवारी लावण्यात मदत करणार असतील, तर त्यांना प्रयोगशाळा, कालावधी, आणि कार्यरत मांडणींमध्ये तुलना करता येईल असे प्रशिक्षण डेटा आवश्यक आहे.
हे ऐकायला जितके सोपे वाटते तितके नाही. Phys.org च्या अहवालानुसार, बहुतेक प्रयोगशाळा उत्प्रेरण अभ्यास काही दिवसांच्या मोजमापांवर आधारित लहान कालावधी तपासतात, तर उत्प्रेरक निष्क्रियता ही अशुद्धी साचत गेल्याने आणि पदार्थांना वारंवार उच्च तापमानांचा सामना करावा लागल्याने महिने किंवा वर्षांपर्यंत विकसित होऊ शकते. AI मॉडेल्स आकर्षक ठरण्याचे एक कारण म्हणजे ती स्वतः हाताने पुनरुत्पादन करणे कठीण असलेल्या अटींचा शोध घेऊ शकतात. पण प्रशिक्षणासाठी वापरला जाणारा अल्पकालीन डेटा जर लॅबनुसार असुसंगत असेल, तर दीर्घकालीन वर्तनावर extrapolate करणे अधिक धोकादायक होते.
लेखक हे वैज्ञानिकांनी मशीन-लर्निंग प्रणालींना कोणती माहिती पुरवली पाहिजे याबद्दलचा इशारा म्हणून मांडतात. संशोधनातील AI विषयीचा उत्साह कधी कधी डेटा निर्मितीच्या शिस्तीपेक्षा पुढे जात असतो, अशा टप्प्यावर हा इशारा येतो. अनेक क्षेत्रांमध्ये प्रयोगशाळांकडे दशकांपासूनची पद्धती, सानुकूल उपकरणे, आणि स्थानिक कार्यपद्धती असतात. ती वैयक्तिक लेखांमध्ये सांभाळता येऊ शकतात; पण डेटा जेव्हा एका भविष्यवाणी यंत्रात एकत्र येतो, तेव्हा त्या गंभीर अडथळे ठरू शकतात.
सक्षम करणारे तंत्र म्हणून मानकीकरण
या अभ्यासाचा सर्वात महत्त्वाचा अर्थ असा आहे की मानकीकरणाला प्रशासकीय अतिरिक्त भार समजू नये. ते वैज्ञानिक AI साठी एक सक्षम करणारे तंत्रज्ञान आहे.
अहवालानुसार, चार-लॅब प्रयत्नाने प्रोटोकॉल आणि उपकरणांचे मानकीकरण निकालांतील बदलशीलता कशी नियंत्रित करते हे दाखवून दिले. त्यामुळे समस्या नव्याने समजते. प्रश्न इतकाच नाही की काही डेटासेट इतरांपेक्षा अधिक गोंगाटयुक्त आहेत. डेटा तयार करण्यासाठी वापरल्या जाणाऱ्या प्रक्रिया ठरवू शकतात की AI मॉडेल रसायनशास्त्र शिकत आहे की लॅब-विशिष्ट वैशिष्ट्ये.
संशोधन संस्थांसाठी याचे कार्यात्मक परिणाम आहेत. पदार्थ विज्ञानासाठी उपयुक्त AI तयार करण्यासाठी, मोठ्या मॉडेलिंग प्रयत्नांपूर्वी सुसंगत प्रयोगात्मक रचना, सामायिक बेंचमार्क, मेटाडेटा शिस्त, आणि ठिकाणांदरम्यान पडताळणी यांत गुंतवणूक आवश्यक असू शकते. दुसऱ्या शब्दांत, चांगल्या AI कडे जाणारा मार्ग मोठ्या संगणकीय क्लस्टरपेक्षा चांगल्या प्रयोगशाळा प्रक्रिया नियंत्रणापासून सुरू होऊ शकतो.
हे विशेषतः सार्वजनिक-खाजगी संशोधन कार्यक्रमांसाठी महत्त्वाचे आहे, जे अनेक संस्थांकडून डेटा एकत्रित करण्याची आशा बाळगतात. माहिती एकत्र केल्याने नमुना आकार वाढतो, पण केवळ तेव्हाच जेव्हा एकत्रित नोंदी खरोखर तुलना करण्याजोग्या असतात. तसे नसल्यास, अधिक डेटा हीच एक जबाबदारी बनू शकतो, मॉडेल्सना विस्तृत कव्हरेजचा आभास देत असताना योगदानकर्त्यांमधील पद्धतशीर मतभेद लपवू शकतो.
वैज्ञानिक AI चे अधिक वास्तववादी चित्र
हा अभ्यास उत्प्रेरक शोधात AI विरोधात युक्तिवाद करत नाही. उलट, AI खरोखर उपयुक्त होऊ शकते अशा अटी स्पष्ट करतो. चांगला डेटा असेल तर मॉडेल्स प्रयोगात्मक शोध मर्यादित करू शकतात, वेळ आणि खर्च कमी करू शकतात, आणि प्रयोगशाळेत पोहोचणे कठीण असलेल्या क्षेत्रांचा शोध घेऊ शकतात. त्या फायद्यांचे महत्त्व कायम आहे. चार-लॅब तुलना फक्त एवढी आठवण करून देते की मॉडेलची गुणवत्ता डेटा-उत्पत्ती आणि मोजमाप पद्धतींपासून वेगळी नाही.
हा संदेश उत्प्रेरणापलीकडेही लागू होतो. अनेक वैज्ञानिक क्षेत्रे आता स्वयंचलित प्रयोग, मशीन लर्निंग, आणि सामायिक डेटासेट एकत्र करू इच्छितात. जिथे मोजमाप स्थानिक उपकरणांवर, कॅलिब्रेशन दिनचर्यांवर, किंवा अंतर्निहित प्रक्रियात्मक निवडींवर अवलंबून असते, तिथे तोच धोका असतो. त्या फरकांना उघड केले नाही आणि नियंत्रित केले नाही, तर AI प्रणाली लपलेल्या विसंगती दूर करण्याऐवजी त्यांना अधिक तीव्र करू शकतात.
व्यावहारिक दृष्टीने, हे नवीन काम निधी संस्था, राष्ट्रीय प्रयोगशाळा, आणि विद्यापीठ संघटनांना पुनरुत्पादकता पायाभूत सुविधांवर अधिक भर देण्यास प्रवृत्त करू शकते. वैज्ञानिक AI चा आकर्षक थर बहुतेकदा मॉडेल असतो. टिकाऊ थर म्हणजे विश्वसनीय मॉडेलिंग शक्य करणारी मापन व्यवस्था.
पुढे काय
या अभ्यासातून मिळणारा तातडीचा धडा AI पासून मागे हटण्याचा नाही, तर प्रयोग आणि मॉडेलिंग यांच्यातील फीडबॅक लूप अधिक घट्ट करण्याचा आहे. क्रॉस-लॅब बेंचमार्क, मान्य केलेल्या चाचणी अटी, आणि उपकरणे व प्रक्रियेबद्दल स्पष्ट मेटाडेटा यामुळे उत्प्रेरक डेटासेट अधिक विश्वासार्ह होऊ शकतात. तसेच, जाणीवपूर्वक हे तपासणाऱ्या पडताळणी योजना उपयुक्त ठरू शकतात की एका वातावरणात प्रशिक्षित केलेले मॉडेल इतरत्र तयार केलेल्या डेटावरही चांगले काम करते का.
कार्बन डायऑक्साइड रूपांतरण संशोधनासाठी, या सुधारणा फार मोठे मूल्य देऊ शकतात. हे क्षेत्र अशा उत्प्रेरकांचा शोध घेत आहे जे केवळ अल्प प्रयोगात सक्रिय नसून, स्थिर, स्केलेबल, आणि दीर्घ कार्यकालात व्यवहार्य असतील. AI अजूनही असे उमेदवार वेगाने ओळखण्यास मदत करू शकते. मात्र नवीन अभ्यास सूचित करतो की वैज्ञानिकांनी पुनरुत्पादकतेला मॉडेलचाच एक भाग मानले, तरच ते खरे ठरेल.
इथेच उद्योगाचा खोल संकेत आहे. संशोधन AI मध्ये, चांगले अंदाज अल्गोरिदम चालू झाल्यावर सुरू होत नाहीत. तेव्हा सुरू होतात जेव्हा पहिला प्रयोग असा आखला जातो की दुसरी प्रयोगशाळा, दुसरे उपकरण, आणि अखेरीस दुसरे मॉडेल परिणामाचा अर्थ काय आहे यावर विश्वास ठेवू शकेल.
हा लेख Phys.org च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.
Originally published on phys.org