Sorry, you need to enable JavaScript to visit this website.

नवीन पदार्थांची रचना करण्यासाठी मशीन लर्निंगचा उपयोग

Read time: 1 min
नवीन पदार्थांची रचना करण्यासाठी मशीन लर्निंगचा उपयोग

एखाद्या विशिष्ट वापरासाठी धातूची विशिष्ट उष्मा वाहकता, तन्यता किंवा मजबूतपणा मिळवण्यासाठी मनुष्याने निरनिराळे धातू एकत्र करून मिश्रधातू किंवा संयुक्त पदार्थ निर्माण केले. नेमक्या कोणत्या पदार्थांचे मिश्रण करायचे हे त्या त्या गरजेनुसार आणि तोवर प्राप्त असलेल्या रासायनिक ज्ञानावर अनुमान लावून ठरवले जात होते. मिश्रधातू तयार करायचा, त्याचे गुणधर्म तपासायचे, ते हवे तसे नसल्यास पुन्हा घटक बदलायचे आणि पुन्हा चाचणी घेऊन पाहायची अशी पारंपरिक पद्धत होती. ही प्रक्रिया स्वयंचलित झाली तर एकूण कार्यक्षमता वाढेल. मात्र त्यासाठी संभाव्य घटक पदार्थ कोणते असू शकतील व त्यांचे भौतिक गुणधर्म काय असतात याचे ज्ञान असणे आवश्यक आहे.

पारंपरिक पद्धतीला पर्यायी, अधिक कार्यक्षम पद्धत म्हणजे नवीन पदार्थाची रचना करण्यासाठी गणितीय पद्धतींचा वापर करणे. या पद्धतीत, प्रमाणित कृती वापरुन आधीपासून माहीत असलेले काही मोजके संयुक्त पदार्थ तयार करता येतात व त्यावरून अद्याप माहीत नसलेल्या संबंधित भौतिक गुणधर्मांविषयी अचूक अंदाज केला जाऊ शकतो. ही गणितीय पद्धत “मशीन लर्निंग” प्रकारात मोडते. “मशीन लर्निंग” या सॉफ्टवेअर पद्धतीला एका ठराविक माहितीसंचावर आधारित ‘प्रशिक्षण’ दिले जाऊ शकते व त्यावरून ती प्रणाली स्वतः तर्कशुद्ध निर्णय घेण्यास “शिकते”. अशा पद्धतीने, नवीन पदार्थाची किंवा धातूची रचना करण्यासाठी लागणारा वेळ आणि संसाधने बऱ्याच प्रमाणात कमी होऊ शकतात.

भारतीय तंत्रज्ञान संस्था, मुंबईमधील यंत्र अभियांत्रिकी विभागातील आयसीएमई आणि मटेरियल्स जिनोम लॅबचे प्रमुख प्रा. अलंकार आणि त्यांच्या सहकारी संशोधक गटाने मटेरियल डिझाईन म्हणजेच नवीन पदार्थांची रचना करण्यासाठी मशीन लर्निंगच्या आधारे पदार्थांच्या प्रत्यास्थ गुणधर्माचा पुन्हा अभ्यास केला. प्रथम, मशीन लर्निंग पद्धतीला “प्रशिक्षित” करण्यासाठी (त्यामध्ये आधारभूत माहितीसाठा तयार करण्यासाठी) त्यांनी काही साध्या मिश्रधातू व संयुक्त पदार्थांच्या माहितीचा वापर केला. त्यानंतर, हे मशीन लर्निंग अल्गोरिदम आणखी काही संयुक्त पदार्थांच्या प्रत्यास्थ गुणधर्मांचे अनुमान लावू शकले. त्यांनी असे दाखवले की हवी ती प्रत्यास्थता आणि दोनपेक्षा अधिक घटक असलेले मिश्रधातू तयार करण्यासाठी वापरता येतील अशी थेट मोजता येण्याजोगी प्रमाणे मशीन लर्निंगद्वारे शोधता आली. एरोनॉटिक्स रिसर्च डेव्हलपमेंट बोर्ड (एआरडीबी)द्वारे अंशतः आर्थिक सहाय्य लाभलेला याबद्दलचा शोधनिबंध कॉम्प्युटेशनल मटेरियल्स सायन्स या नियतकालिकात प्रसिद्ध झाला.

पदार्थाचा प्रत्यास्थी गुण म्हणजे एखाद्या पदार्थावर भार लावल्यानंतर त्याचे जे विरूपण (मूळ स्थितीमध्ये बदल होणे) होते त्यातून भार काढल्यानंतर पुन्हा पूर्ववत स्थितीमध्ये येण्याची क्षमता. प्रत्यास्थ स्थिरांक हा पदार्थाच्या प्रत्यास्थी गुणासाठी वापरात असलेला निर्देशांक आहे. पदार्थांची प्रत्यास्थता मोजण्यासाठी यंग प्रत्यास्थता गुणांक वापरला जातो. यावरून पदार्थ किती सहजपणे ताणला जाऊन त्याचे विरूपण होईल हे सांगता येते. प्रत्यास्थ स्थिरांक काढण्यासाठी एक गणितीय प्रतिमानीकरण (मॉडेलिंग) पद्धत वापरली जाते, जिला घनता कार्यात्मक सिद्धांत (डेंसिटी फंक्शनल थियरी (डीएफटी)) म्हणतात. परंतु, डीएफटीवर आधारित पद्धती केवळ शून्य अंश केल्विन किंवा निरपेक्ष शून्य (-273 ℃) तापमानातच पदार्थांचे भौतिक गुणधर्म अचूकपणे सांगू शकते. जी संयुगे तयार करायची आहेत ती ज्या तापमानात वापरली जाणार आहेत त्या तापमानात पदार्थांचे भौतिक गुणधर्म काय असतील हे डीएफटीच्या प्रतिमानांमधून सांगता येत नाही. त्यामुळे ही पद्धत वापरून संयुगे तयार करण्यामध्ये अडथळे येतात. प्रा. अलंकार यांच्या कामाद्वारे ही मर्यादा काढून टाकण्याचा प्रयत्न केला गेला आहे. त्यांनी गणितीय पद्धती वापरणारे एक मशीन लर्निंग मॉडेल तयार केले आहे. सहजरीत्या उपलब्ध असलेल्या प्रयोगांच्या माहितीसाठ्यावर ही पद्धती लागू करता येते. तसेच, कोणतेही तापमान किंवा कार्यस्थितीसाठी ही पद्धती वापरली जाऊ शकते.

सर्वप्रथम, डीएफटी मॉडेलद्वारे तयार केलेल्या सर्व संभाव्य द्वि-घटकी मिश्रधातूंचे प्रत्यास्थी गुणधर्म ‘शिकण्या’साठी संशोधकांनी मशीन लर्निंग मॉडेलला ‘प्रशिक्षित’ केले. असे ‘प्रशिक्षित’ झाल्यावर मशीन लर्निंग अल्गोरिदम पदार्थांचे महत्वाचे गुणधर्म आपोआप वर्तवू शकते व भौतिक ‘वैशिष्ट्ये’ दाखवून त्याद्वारे द्वि-घटकी मिश्रधातूंचे संख्यात्मक प्रतिमान सादर करते. त्यानंतर, संशोधकांनी त्याच डेटावर हे मशीन लर्निंग मॉडेल वापरून पाहिले व त्यातून पदार्थांचे द्रवणबिंदूचे तापमान, अणू त्रिज्या, उष्मा वाहकता यांसारखे सहज मोजता येतील असे गुणधर्म निवडले, ज्यावरून मिश्रधातूंच्या सर्व संभाव्य संयोगांच्या प्रत्यास्थ गुणधर्मांचा अंदाज बांधता येऊ शकतो. गुणधर्मांच्या या निवडीबाबत प्रा. अलंकार पुढे म्हणतात, “या निवडीमध्ये आम्हाला आधीपासून माहीत असलेले काही गुणधर्म अपेक्षित होते. पण ते किती महत्वाचे ठरतील याबाबत खात्री नव्हती. उदाहरणार्थ, अणू त्रिज्या हा गुणधर्म सर्वात निर्णायक ठरला.” मशीन लर्निंग मॉडेलमुळे पदार्थांचे माहित नसलेले गुणधर्म शोधण्यासाठी आणि जाणून घेण्यासाठी एक चौकट मिळते. अन्यथा, हे गणितीय पद्धतीने करणे आव्हानात्मक असते.

निकेल (Ni), क्रोमियम (Cr), लोह (Fe), मॉलिब्डेनम (Mo) आणि टंगस्टन (W) हे पाच घटक असलेल्या मिश्रधातूच्या प्रत्यास्थ स्थिरांकांच्या प्रत्यक्ष प्रायोगिक माहितीवर हे ‘प्रशिक्षित’ मशीन लर्निंग मॉडेल वापरून संशोधकांनी त्याची सत्यता पडताळून पाहिली तेव्हा त्यांचे संशोधन कार्य खऱ्या अर्थाने यशस्वी झाले. प्रा. अलंकार असे म्हणतात, “सुरुवातीला आम्ही द्विघटक मिश्रधातूंचा डेटा वापरला व त्याआधारे आम्ही बहुघटक मिश्रधातूंच्या प्रत्यास्थ स्थिरांकांचा अंदाज लावू शकलो. हे सर्वात मोठे यश होते. त्याच बरोबर प्रायोगिक डेटाशी सहसंबंध देखील जुळवता आला.”

प्रा. अलंकार यांचे हे नाविन्यपूर्ण काम नवीन ‘पेरोव्हस्काइट’ शोधण्यासाठी आणि त्यांची रचना करण्यासाठी अतिशय मोलाचे ठरेल. ‘पेरोव्हस्काइट’ हा कॅल्शियम व टायटॅनियम ऑक्साईड-आधारित खनिजांचा गट आहे, जो नवीन पदार्थ आणि इतर असाधारण बहुघटकीय मिश्रधातू तयार करण्यासाठी कृत्रिमरित्या बनवला जाऊ शकतो. येत्या काळातील त्यांच्या अभ्यासात प्रा. अलंकार आणि त्यांचे सहकारी यावर अधिक संशोधन करणार आहेत. यासाठी, भौतिकशास्त्रातील नियमांवर आधारित मशीन लर्निंग मॉडेल तयार केली जातील, ज्याला ‘भौतिकशास्त्राधारित मशीन लर्निंग’ असे म्हणतात.