Discovering High-Strength Alloys via Physics-Transfer Learning

धातु की मजबूती केवल लेबल पर लिखा कोई एकल अंक नहीं है; यह आकार और समय के विभिन्न स्तरों पर लिखी गई एक कहानी है। सबसे सूक्ष्म स्तर पर, परमाणु व्यवस्थित पंक्तियों में व्यवस्थित होते हैं, जैसे सैनिक फॉर्मेशन में खड़े हों। जब कोई धातु मुड़ती या खिंचती है, तो ये पंक्तियाँ एक-दूसरे के बगल से सुचारू रूप से नहीं फिसलतीं। इसके बजाय, वे परमाणु पंक्ति में छोटी खामियों, जिन्हें 'डिसलोकेशन' (dislocations) कहा जाता है, के कारण एक टेढ़े-मेढ़े, चरण-दर-चरण तरीके से चलती हैं। एक भारी कालीन की कल्पना करें जिसे फर्श पर हिलाने की आवश्यकता है; आप पूरी चीज़ को एक साथ नहीं खींचते। आप एक लहर, एक उभार पैदा करते हैं, और उस उभार को तब तक आगे धकेलते हैं जब तक कि कालीन खिसक न जाए। एक क्रिस्टल में, वह उभार ही डिसलोकेशन है। इस उभार को आगे धकेलने के लिए आवश्यक बल ही धातु की मजबूती का मौलिक माप है। वैज्ञानिक लंबे समय से जानते हैं कि यदि वे इस बल की गणना कर सकें, तो वे भविष्यवाणी कर सकते हैं कि कौन सी नई मिश्र धातुएं सबसे मजबूत होंगी। हालाँकि, इसकी सटीक गणना करना कंप्यूटरों के लिए एक दुःस्वप्न है। इसमें शामिल भौतिकी बहुत जटिल है और ऐसे दूरियों तक फैली हुई है जो सबसे सटीक परमाणु सिमुलेशन के लिए बहुत बड़ी है लेकिन इंजीनियरिंग के सरल नियमों के लिए बहुत छोटी है। दशकों तक, शोधकर्ता दो बुरे विकल्पों के बीच फंसे रहे: या तो एक ऐसी विधि का उपयोग करें जो तेज़ है लेकिन गलत है, या एक ऐसी विधि का उपयोग करें जो सही है लेकिन इसे करने में इतना समय लगता है कि कुछ ही सामग्रियों का परीक्षण करना संभव हो पाता है।

त्सिंहहुआ विश्वविद्यालय और चीनी विज्ञान अकादमी के शोधकर्ताओं की एक टीम ने इस जाल से बाहर निकलने का रास्ता खोज लिया है। उन्होंने एक नया दृष्टिकोण विकसित किया है जो भौतिकी की दो अलग-अलग भाषाओं के बीच एक अनुवादक की तरह कार्य करता है। उन्होंने एक कंप्यूटर प्रोग्राम, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है, को प्रशिक्षित किया ताकि वह तेज़, अनुमानित सिमुलेशन द्वारा उत्पन्न लाखों उदाहरणों का अध्ययन करके परमाणुओं के हिलने के नियमों को समझ सके। एक बार जब प्रोग्राम ने इन नियमों को सीख लिया, तो शोधकर्ताओं ने इसमें वह डेटा डाला जो आमतौर पर बड़े प्रोजेक्ट्स के लिए बहुत महंगा होता है, यानी धीमे और अत्यंत सटीक सिमुलेशन से प्राप्त डेटा। प्रोग्राम ने भौतिकी की अपनी समझ का उपयोग करके सटीक डेटा को मजबूती की भविष्यवाणी में अनुवादित किया। इस पद्धति ने, जिसे लेखक 'फिजिक्स-ट्रांसफर लर्निंग' (physics-transfer learning) कहते हैं, उन्हें कुछ ही सेकंडों में हजारों संभावित धातु संयोजनों की जांच करने की अनुमति दी, जिससे उन मिश्र धातुओं की पहचान हुई जो अविश्वसनीय रूप से मजबूत होनी चाहिए। वे कंप्यूटर स्क्रीन तक ही सीमित नहीं रहे। इन भविष्यवाणियों से प्रेरित होकर, उन्होंने एक उच्च-गति वाले डिपोजिशन तकनीक का उपयोग करके नए बाइनरी अलॉय (दो धातुओं के मिश्रण) बनाए। जब उन्होंने इन नई सामग्रियों का परीक्षण किया, तो परिणाम काफी हद तक भविष्यवाणियों से मेल खा गए, हालांकि एक विशिष्ट संरचना के बजाय एक विशिष्ट संयोजन ने कांच जैसी (glassy) संरचना बनाई। उन्होंने ऐसी मिश्र धातुएं बनाईं जो पारंपरिक संस्करणों की तुलना में बीस गुना अधिक मजबूत थीं, जिससे यह सिद्ध हुआ कि एक कंप्यूटर मॉडल सफलतापूर्वक उन वास्तविक दुनिया की सामग्रियों के निर्माण में मार्गदर्शन कर सकता है जो पहले कभी नहीं बनाई गई थीं।

इस उपलब्धि का मूल आधार यह है कि शोधकर्ताओं ने "सटीकता-प्रदर्शन दुविधा" (accuracy-performance dilemma) को कैसे संभाला। अतीत में, धातु की मजबूती जानने के लिए वैज्ञानिकों को गति और सत्य के बीच किसी एक को चुनना पड़ता था। वे 'एम्पिरिकल फोर्स फील्ड्स' का उपयोग कर सकते थे, जो परमाणु व्यवहार की नकल करने वाले सरलीकृत गणितीय नियम हैं। ये लैपटॉप पर चलाने के लिए पर्याप्त तेज़ हैं, लेकिन अक्सर विवरणों को गलत कर देते हैं, जिससे वास्तविकता की तुलना में दो सौ प्रतिशत से अधिक की त्रुटियां होती हैं। दूसरी ओर 'फर्स्ट-प्रिंसिपल्स कैलकुलेशन' थे, जो प्रत्येक परमाणु के लिए क्वांटम मैकेनिक्स के मौलिक समीकरणों को हल करते हैं। ये अविश्वसनीय रूप से सटीक हैं, लेकिन इतने गणनात्मक रूप से भारी हैं कि इनका उपयोग केवल छोटे, आदर्श क्रिस्टल के लिए किया जा सकता है। वे उन बड़े पैमाने की खामियों को नहीं संभाल सकते जहाँ वास्तविक धातुएं विफल होती हैं। शोधकर्ताओं ने महसूस किया कि परमाणु संरचना और सामग्री की मजबूती के बीच का संबंध एक भौतिक नियम है जो इस बात पर निर्भर नहीं करता कि किस गणना पद्धति का उपयोग किया गया है। यदि कोई कंप्यूटर इस भौतिक नियम को तेज़, अपूर्ण डेटा से सीख सकता है, तो वह उसी नियम को धीमे, सटीक डेटा पर लागू कर सकता है।

इस विचार का परीक्षण करने के लिए, टीम ने तांबा, लोहा और टाइटेनियम जैसे सामान्य तत्वों के साथ-साथ दुर्लभ तत्वों सहित धातुओं का एक डिजिटल पुस्तकालय बनाया। उन्होंने यह देखने के लिए दोनों तेज़, अनुमानित विधियों और धीमी, सटीक विधियों का उपयोग करके सिमुलेशन चलाए कि परमाणु व्यवस्था में बदलाव करने पर इन धातुओं की मजबूती कैसे बदलती है। फिर उन्होंने एक न्यूरल नेटवर्क, जो मानव मस्तिष्क से प्रेरित कृत्रिम बुद्धिमत्ता का एक प्रकार है, को प्रशिक्षित किया ताकि वह परमाणु विवरणों और मजबूती के बीच के पैटर्न को खोज सके। नेटवर्क ने क्रिस्टल के माध्यम से एक डिसलोकेशन के चलने के अंतर्निहित भौतिकी को पहचानने में महारत हासिल की। प्रशिक्षित होने के बाद, नेटवर्क को धीमी सिमुलेशन से प्राप्त सटीक, उच्च-गुणवत्ता वाला डेटा दिया गया। चूंकि नेटवर्क ने पहले ही तेज़ सिमुलेशन से खेल के नियमों को सीख लिया था, इसलिए यह रासायनिक सटीकता के साथ नई सामग्रियों की मजबूती की तुरंत भविष्यवाणी कर सकता था। परिणाम आश्चर्यजनक थे। छोटे सिस्टम के लिए, नई विधि ने त्रुटि को दो सौ प्रतिशत से घटाकर पचास प्रतिशत से भी कम कर दिया, और बड़े, अधिक जटिल सिस्टम के लिए, त्रुटियां अलग-अलग थीं, जो विशिष्ट सामग्री और स्लिप सिस्टम के आधार पर लगभग 4% से 48% के बीच थीं। भविष्यवाणी करने में लगने वाला समय एक सेकंड का बहुत छोटा हिस्सा था, एक ऐसी गति जिसने एक दिन में हजारों उम्मीदवारों की जांच करना संभव बना दिया।

इस शक्तिशाली उपकरण के साथ, शोधकर्ताओं ने ज्ञात और सैद्धांतिक क्रिस्टल के विशाल पुस्तकालय की ओर अपना ध्यान केंद्रित किया। उन्होंने उन उच्च-शक्ति वाली मिश्र धातुओं को खोजने पर ध्यान केंद्रित किया जिन्हें अनदेखा कर दिया गया था। कंप्यूटर ने हजारों संभावनाओं को स्कैन किया, उन संयोजनों की तलाश की जहाँ परमाणु संरचना उन छोटे उभारों की गति के प्रति अधिकतम प्रतिरोध पैदा करेगी। एल्गोरिदम ने कई आशाजनक उम्मीदवारों की पहचान की, जिनमें तांबा-टाइटेनियम और एल्युमीनियम-टाइटेनियम के विशिष्ट मिश्रण शामिल थे। ये केवल रैंडम अनुमान नहीं थे; मॉडल ने भविष्यवाणी की कि ये विशिष्ट अनुपात एक 'मेटास्टेबल स्टेट' (metastable state) बनाएंगे, जो एक प्रकार की परमाणु व्यवस्था है जो मजबूत तो है लेकिन वह सबसे स्थिर रूप नहीं है जिसे परमाणु आमतौर पर अपनाते हैं। यह एक महत्वपूर्ण अंतर है। पारंपरिक धातु विज्ञान सबसे स्थिर अवस्था खोजने पर निर्भर करता है, जिसके परिणामस्वरूप अक्सर नरम सामग्रियां प्राप्त होती हैं। नए दृष्टिकोण ने सुझाव दिया कि परमाणुओं को कम स्थिर, उच्च-ऊर्जा व्यवस्था में धकेल कर, वे असाधारण मजबूती प्राप्त कर सकते हैं।

अंतिम परीक्षण यह देखना था कि क्या ये कंप्यूटर भविष्यवाणियां प्रयोगशाला की जटिल वास्तविकता में जीवित रह सकती हैं। टीम ने नई मिश्र धातुओं को बनाने के लिए 'आयन बीम डिपोजिशन' नामक तकनीक का उपयोग किया। इस प्रक्रिया में लक्ष्य पर आयनों को दागना शामिल है ताकि परमाणुओं को ढीला किया जा सके और फिर एक नई सामग्री की परत दर परत निर्माण के लिए उन्हें सतह पर पकड़ा जा सके। यह एक ऐसी विधि है जो उच्च शीतलन दर (cooling rate) की अनुमति देती है, जो मॉडल द्वारा भविष्यवाणी की गई उच्च-शक्ति वाली मेटास्टेबल अवस्था में परमाणुओं को फंसाने के लिए आवश्यक है। उन्होंने मॉडल द्वारा विजेता के रूप में चिह्नित कॉपर-टाइटेनियम और एल्युमीनियम-टाइटेनियम के कंपोजिशन के साथ फिल्में बनाईं। मजबूती का परीक्षण करने के लिए, उन्होंने नई सामग्री के सूक्ष्म स्तंभ (pillars) बनाए, जो केवल कुछ माइक्रोमीटर चौड़े थे, और उन्हें एक छोटे इंडेंटर से दबाया। परिणाम नाटकीय थे। नई मिश्र धातुओं ने पारंपरिक मिश्र धातुओं की तुलना में बीस गुना अधिक मजबूती दिखाई। जब उन्होंने शक्तिशाली इलेक्ट्रॉन सूक्ष्मदर्शी के नीचे सामग्रियों को देखा, तो उन्होंने पाया कि मजबूती क्रिस्टल के माध्यम से डिसलोकेशन के चलने के तरीके से आई थी, जैसा कि भौतिक मॉडल ने सफल क्रिस्टलीय नमूनों के लिए भविष्यवाणी की थी। हालांकि, एक विशिष्ट मिश्र धातु, Cu4Ti के लिए, डिपोजिशन तकनीक की सीमाओं के कारण एक ग्लास जैसी संरचना बनी जो अपेक्षित उच्च मजबूती प्रदर्शित नहीं कर सकी, जो यह दर्शाता है कि भविष्यवाणी से उत्पादन तक का मार्ग अभी भी जटिल है। जिन सामग्रियों ने क्रिस्टल के रूप में निर्माण किया, वे कांच की तरह नहीं टूटे; वे मुड़े और बहे, जिससे सिद्ध हुआ कि वे बढ़ी हुई विशेषताओं वाली वास्तविक धातुएं हैं।

इस परियोजना की सफलता केवल मजबूत धातुएं बनाने तक सीमित नहीं है। यह सिद्धांत और प्रयोग के बीच के अंतर को पाटने वाले विज्ञान करने के एक नए तरीके को प्रदर्शित करती है। कंप्यूटर को केवल डेटा बिंदुओं को याद करने के बजाय भौतिक नियमों को समझने के लिए सिखाकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो उन सामग्रियों के लिए भी सामान्यीकरण (generalize) कर सकता है जिन्हें उसने पहले कभी नहीं देखा है। उन्होंने दिखाया कि एक प्रकार के सिमुलेशन से सीखी गई भौतिकी को दूसरे पर स्थानांतरित किया जा सकता है, जिससे ऐसी भविष्यवाणियां संभव होती हैं जो तेज़ और सटीक दोनों हैं। यह दृष्टिकोण सामग्रियों के एक बहुत व्यापक दायरे की खोज का द्वार खोलता है, जिसमें वे सामग्रियां भी शामिल हैं जिन्हें संश्लेषित करना कठिन है या जो केवल सैद्धांतिक डेटाबेस में मौजूद हैं। शोधकर्ताओं ने उल्लेख किया कि जबकि उनके तरीके ने उच्च-शक्ति वाले उम्मीदवारों की सफलतापूर्वक पहचान की, वास्तविक निर्माण के लिए इन सामग्रियों को स्थिर करने के लिए उन्नत तकनीकों की आवश्यकता थी। हर भविष्यवाणी से एक आदर्श क्रिस्टल नहीं बना; कुछ प्रयासों से ग्लास जैसी संरचनाएं बनीं जिनमें अपेक्षित मजबूती नहीं दिखी, जो यह रेखांकित करता है कि भविष्यवाणी से उत्पादन तक का मार्ग अभी भी जटिल है। हालांकि, लाखों संभावनाओं में से कुछ व्यवहार्य उम्मीदवारों तक खोज को सीमित करने की क्षमता एक बड़ी प्रगति है।

यह कार्य सुझाव देता है कि सामग्रियों की खोज का भविष्य मानवीय अंतर्दृष्टि और मशीन लर्निंग के बीच साझेदारी पर निर्भर करेगा। शोधकर्ताओं ने भौतिक प्रयोगों या गहरे सैद्धांतिक ज्ञान की आवश्यकता को प्रतिस्थापित नहीं किया। इसके बजाय, उन्होंने कृत्रिम बुद्धिमत्ता का उपयोग भौतिकी की विभिन्न पैमानों के बीच अनुवाद करने के लिए किया, जिससे उन्हें उन कनेक्शनों को देखने में मदद मिली जो पहले गणना की सीमाओं के कारण छिपे हुए थे। उन्होंने साबित किया कि उच्च-शक्ति वाली मिश्र धातुओं के लिए स्क्रीनिंग करना उस स्तर की सटीकता के साथ संभव है जो पहले केवल सबसे महंगी और समय लेने वाली सिमुलेशन के लिए आरक्षित थी। इसका परिणाम सामग्रियों का एक नया वर्ग है, जैसे कि कॉपर-टाइटेनियम और एल्युमीनियम-टाइटेनियम मिश्र धातु, जो वास्तविक दुनिया के अनुप्रयोगों के लिए तैयार हैं। जैसे-जैसे क्षेत्र आगे बढ़ेगा, यह फिजिक्स-ट्राफर फ्रेमवर्क अन्य जटिल समस्याओं के लिए भी लागू किया जा सकता है, जो ऊर्जा भंडारण से लेकर ड्रग डिजाइन तक के क्षेत्रों में सटीकता-प्रदर्शन दुविधा को हल करने में मदद करेगा। यह अध्ययन एक स्पष्ट प्रमाण है कि जब हम मशीनों को भौतिक दुनिया के नियमों को सिखाते हैं, तो वे हमें एक मजबूत और अधिक लचीले भविष्य के निर्माण में मदद कर सकती हैं।