🔬 materials science

Developing a Complete AI-Accelerated Workflow for Superconductor Discovery

यह अध्ययन एक डेटा-संचालित ढांचे को प्रस्तुत करता है जो लाखों उम्मीदवारों की कुशलतापूर्वक स्क्रीनिंग करने के लिए एक नवीन मशीन-लर्निंग मॉडल (BEE-NET) को एक बहु-चरणीय AI-त्वरित वर्कफ़्लो के साथ एकीकृत करता है, जिसने सफलतापूर्वक दो नए सुपरकंडक्टिंग यौगिकों की पहचान की और प्रयोगात्मक रूप से पुष्टि की।

मूल लेखक: Jason B. Gibson, Ajinkya C. Hire, Pawan Prakash, Philip M. Dee, Benjamin Geisler, Jung Soo Kim, Zhongwei Li, James J. Hamlin, Gregory R. Stewart, P. J. Hirschfeld, Richard G. Hennig

प्रकाशित 2026-03-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jason B. Gibson, Ajinkya C. Hire, Pawan Prakash, Philip M. Dee, Benjamin Geisler, Jung Soo Kim, Zhongwei Li, James J. Hamlin, Gregory R. Stewart, P. J. Hirschfeld, Richard G. Hennig

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक खजाना खोजने वाले (treasure hunter) हैं जो एक पौराणिक "जादुई पत्थर" (magic stone) की तलाश में हैं, जो बिजली को बिना किसी प्रतिरोध (resistance) के प्रवाहित कर सके (एक सुपरकंडक्टर)। ये पत्थर अविश्वसनीय रूप से मूल्यवान हैं क्योंकि ये पावर ग्रिड, मेडिकल स्कैनर और मैग्लेव ट्रेनों में क्रांति ला सकते हैं।

समस्या क्या है? ब्रह्मांड पत्थरों (पदार्थों) से भरा हुआ है, लेकिन इन जादुई पत्थरों को ढूंढना आकाशगंगा के आकार के घास के ढेर में सुई खोजने जैसा है। पारंपरिक रूप से, वैज्ञानिकों को हर एक पत्थर का महंगा, धीमा और ऊर्जा-खपत करने वाला कंप्यूटर सिमुलेशन उपयोग करके एक-एक करके परीक्षण करना पड़ता था। यह एक समुद्र तट पर रेत के हर एक कण को चिमटी से उठाने जैसा था।

यह शोध पत्र एक नई, अत्यंत स्मार्ट रणनीति का वर्णन करता है जो आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके उस आकाशगंगा के आकार के घास के ढेर को एक प्रबंधनीय ढेर में सिकोड़ देती है, और फिर सफलतापूर्वक दो नए "जादुई पत्थर" खोज लेती है।

उन्होंने इसे कैसे किया, इसके सरल चरण यहाँ दिए गए हैं:

1. समस्या: "सुपरकंप्यूटर टैक्स"

यह जानने के लिए कि कोई पदार्थ सुपरकंडक्टर है या नहीं, वैज्ञानिकों को आमतौर पर DFT (डेंसिटी फंक्शनल थ्योरी) नामक एक जटिल गणना चलानी पड़ती है। इसे इस तरह समझें कि यह इस बात का हाई-रिज़ॉल्यूशन 3D मूवी है कि इलेक्ट्रॉन उस पदार्थ के परमाणुओं के साथ कैसे नृत्य करते हैं।

समस्या: इस मूवी को बनाने में एक सुपरकंप्यूटर को प्रति पदार्थ घंटों या दिन लग जाते हैं।
परिणाम: वैज्ञानिक केवल कुछ हज़ार पदार्थों की ही जांच कर पाते थे। उन्हें दुर्लभ, उच्च-प्रदर्शन वाले पदार्थों को खोजने के लिए लाखों की जांच करने की आवश्यकता थी।

2. समाधान: "क्रिस्टल बॉल" (BEE-NET)

शोधकर्ताओं ने BEE-NET नामक एक नया AI मॉडल बनाया। हर पत्थर के लिए पूरी 3D मूवी बनाने के बजाय, BEE-NET एक क्रिस्टल बॉल की तरह है जो पत्थर के आकार को देखती है और तुरंत अनुमान लगा लेती है कि इलेक्ट्रॉन कैसे नाचेंगे।

यह कैसे काम करता है: उन्होंने इस AI को 7,000 ज्ञात पदार्थों पर प्रशिक्षित किया जहाँ उन्होंने वास्तव में पूरी मूवी बनाई थी। AI ने पैटर्न सीख लिए: "ओह, जब परमाणु इस तरह व्यवस्थित होते हैं, तो इलेक्ट्रॉन आमतौर पर उस तरह नाचते हैं।"
चाल: AI केवल एक नंबर का अनुमान नहीं लगाता; यह पूरे "नृत्य पैटर्न" (एलिआशबर्ग स्पेक्ट्रल फंक्शन) की भविष्यवाणी करता है। यह इसे अविश्वसनीय रूप से सटीक बनाता है।
सुपरपावर: यह "ना" कहने में इतना अच्छा है कि यह तुरंत उन 99.4% पत्थरों को खारिज कर सकता है जो काम नहीं करेंगे। यह एक क्लब के बाउंसर की तरह है जो इतना सख्त है कि जब तक कोई निश्चित रूप से लिस्ट में न हो, उसे अंदर नहीं आने देता।

3. वर्कफ़्लो: "फिल्टर का फनल"

टीम ने 1.3 मिलियन उम्मीदवार सामग्रियों को प्रोसेस करने के लिए एक बहु-चरणीय असेंबली लाइन बनाई। एक विशाल फनल की कल्पना करें जिसमें कई छलनियाँ (sieves) हैं:

छलनी 1 ("क्या यह धातु है?" फिल्टर): उन्होंने 1.3 मिलियन संरचनाओं के साथ शुरुआत की। सबसे पहले, उन्होंने एक तेज़ AI का उपयोग करके यह जांचा कि क्या पदार्थ वास्तव में एक धातु है। यदि यह एक इंसुलेटर (जैसे प्लास्टिक) है, तो यह बाहर है।
छलनी 2 ("क्या यह बिखर जाएगा?" फिल्टर): उन्होंने जांचा कि क्या परमाणु एक साथ रहेंगे या धूल बनकर बिखर जाएंगे।
छलनी 3 ("क्रिस्टल बॉल" फिल्टर): उन्होंने BEE-NET का उपयोग करके सुपरकंडक्टिंग तापमान ( $T_c$ ) की भविष्यवाणी की। यदि AI ने अनुमान लगाया कि तापमान बहुत कम (5 केल्विन से नीचे) है, तो उस पदार्थ को बाहर कर दिया गया।
छलनी 4 ("वास्तविक जांच"): बचे हुए कुछ हज़ार जीवित बचे पदार्थों के लिए, उन्होंने AI के सही होने की पुष्टि करने के लिए महंगी, धीमी "मूवी" (DFT) चलाई।

परिणाम: वे 1.3 मिलियन उम्मीदवारों से घटकर केवल 741 अत्यधिक आशाजनक, स्थिर सुपरकंडक्टर्स तक पहुँच गए।

4. "क्या होगा अगर" रणनीति: प्रतिस्थापन के साथ खाना बनाना

उन्होंने सबसे पहले 1.3 मिलियन उम्मीदवार कैसे प्राप्त किए? उन्होंने वाइकोफ साइट प्रतिस्थापन (Wyckoff site substitution) नामक एक चतुर रेसिपी ट्रिक का उपयोग किया।

कल्पना कीजिए कि आपके पास एक परफेक्ट केक रेसिपी (एक ज्ञात स्थिर धातु) है।
एक नई केक रेसिपी शुरू से बनाने के बजाय, आप मौजूदा रेसिपी लेते हैं और एक सामग्री को उसके "कजिन" (समान दिखने वाली) सामग्री से बदल देते हैं (जैसे सोडियम को पोटेशियम से, या नियोबियम को हाफ्नियम से बदलना)।
उन्होंने गणितीय रूप से इसे लाखों बार किया, ज्ञात धातुओं के "क्या होगा अगर" वाले संस्करण बनाए, यह देखने के लिए कि क्या नए सामग्रियाँ उस केक (पदार्थ) को और भी बेहतर बनाती हैं।

5. प्रमाण: सिद्धांत से वास्तविकता तक

AI ने दो विशिष्ट नए पदार्थों की भविष्यवाणी की: Be₂Hf₂Nb और Be₂HfNb₂।

संश्लेषण (Synthesis): टीम के प्रयोगात्मक दल ने प्रयोगशाला में इन रेसिपीज़ को लिया। उन्होंने वास्तविक भौतिक नमूने बनाने के लिए तत्वों (Be, Hf, Nb) को एक साथ पिघलाया।
परीक्षण: उन्होंने नमूनों को परम शून्य (absolute zero) के करीब ठंडा किया।
विजय: दोनों सामग्रियां सुपरकंडक्टर में बदल गईं!
- एक ने 3.18 K पर बिना किसी प्रतिरोध के संचालन शुरू किया।
- दूसरे ने 4.24 K पर।
- महत्वपूर्ण रूप से, प्रयोगात्मक परिणाम AI की भविष्यवाणियों के लगभग पूरी तरह से मेल खाते थे।

यह क्यों मायने रखता है

यह शोध पत्र एक गेम-चेंजर है क्योंकि यह साबित करता है कि AI + भौतिकी + प्रयोग अकेले किसी भी चीज़ से बेहतर काम करते हैं।

पहले: एक नया सुपरकंडक्टर ढूंढना भाग्य से घास के ढेर में सुई खोजने जैसा था।
अब: यह एक मेटल डिटेक्टर का उपयोग करने जैसा है जो एक घंटे में पूरे समुद्र तट को स्कैन कर सकता है और आपको बता सकता है कि आपको ठीक कहाँ खुदाई करनी है।

उन्होंने केवल दो नए पदार्थ नहीं खोजे; उन्होंने एक फैक्ट्री बनाई है जो नई खोजों को लगातार निकाल सकती है। यह ढांचा अंततः हमें कमरे के तापमान वाले सुपरकंडक्टर्स खोजने में मदद कर सकता है, जो ऊर्जा संचरण को लॉसलेस (lossless) और परिवहन को घर्षण रहित (frictionless) बनाकर दुनिया को बदल देगा।

संक्षेप में: उन्होंने एक सुपर-स्मार्ट AI फिल्टर बनाया जो लाखों "क्या होगा अगर" वाले रासायनिक व्यंजनों को देख सकता है, तुरंत खराब वाले को खारिज कर सकता है, और वैज्ञानिकों को वास्तव में बनाने के लिए सबसे अच्छे नामों की एक छोटी सूची दे सकता है। और जब उन्होंने उन्हें बनाया, तो वे काम कर गए।

यहाँ शोध पत्र "Developing a Complete AI-Accelerated Workflow for Superconductor Discovery" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

नए अतिचालक (superconducting) पदार्थों की खोज वर्तमान में इलेक्ट्रॉन-फोनोन स्पेक्ट्रल फंक्शन ( $\alpha^2F(\omega)$ ) की गणना करने की अत्यधिक कम्प्यूटेशनल लागत के कारण बाधित है, जो एलन-डायन्स समीकरण (Allen-Dynes equation) का उपयोग करके सुपरकंडक्टिंग क्रिटिकल तापमान ( $T_c$ ) निर्धारित करने के लिए आवश्यक है। जबकि डेंसिटी फंक्शनल थ्योरी (DFT) छोटे यूनिट सेल्स के लिए $T_c$ की सटीक भविष्यवाणी कर सकती है, इस दृष्टिकोण को सामग्रियों के डेटाबेस में लाखों संभावित संरचनाओं की स्क्रीनिंग के लिए स्केल करना कम्प्यूटेशनल रूप से अव्यवहार्य है। इसके अलावा, मौजूदा मशीन लर्निंग (ML) दृष्टिकोण अक्सर उपयुक्त प्रशिक्षण डेटा की कमी के कारण संघर्ष करते हैं; अधिकांश प्रयोगात्मक डेटाबेस (जैसे SuperCon) पर निर्भर करते हैं जिनमें त्रुटियाँ और असामान्य सुपरकंडक्टर्स होते हैं, या वे इलेक्ट्रॉन-फोनोन कपलिंग के अंतर्निहित भौतिकी को कैप्चर किए बिना सीधे $T_c$ की भविष्यवाणी करने का प्रयास करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक बहु-चरणीय, AI-त्वरित खोज पाइपलाइन का प्रस्ताव करते हैं जो मशीन लर्निंग, क्वांटम गणना और प्रयोगात्मक सत्यापन को एकीकृत करती है।

A. मशीन लर्निंग मॉडल: BEE-NET

इस वर्कफ्लो का मुख्य आधार एक बूटस्ट्रैप्ड एन्सेम्बल ऑफ इक्विवेरिएंट ग्राफ न्यूरल नेटवर्क (BEE-NET) है।

आर्किटेक्चर: यह मॉडल केवल अंतिम $T_c$ के बजाय एलिआशबर्ग स्पेक्ट्रल फंक्शन ( $\alpha^2F(\omega)$ ) की भविष्यवाणी करने के लिए इक्विवेरिएंट ग्राफ न्यूरल नेटवर्क का उपयोग करता है। यह मॉडल को इलेक्ट्रॉन-फोनोन इंटरैक्शन ("पेयरिंग ग्लू") के पूर्ण आवृत्ति-निर्भर वितरण को सीखने की अनुमति देता है।
वैरिएंट्स: दो वैरिएंट विकसित किए गए थे:
1. CSO (Crystal Structure Only): यह केवल क्रिस्टल संरचना लेता है। यह तीव्र, बड़े पैमाने की स्क्रीनिंग के लिए आदर्श है।
2. CPD (Coarse Phonon Density of States): यह उच्च सटीकता के लिए संरचना के साथ कोर्स फोनोन डेंसिटी ऑफ स्टेट्स (PhDOS) को भी शामिल करता है।
प्रशिक्षण डेटा: इसे 7,000 लगातार DFT-कम्प्यूटेड $\alpha^2F(\omega)$ फंक्शनों के डेटासेट पर प्रशिक्षित किया गया है।
लॉस फंक्शन्स: लेखकों ने मीन स्क्वेर्ड एरर (MSE), वेटेड MSE (WMSE), और अर्थ मूवर्स डिस्टेंस (EMD) की तुलना की। EMD लॉस फंक्शन ने $T_c$ और कपलिंग कांस्टेंट के लिए सर्वोत्तम रिग्रेशन मेट्रिक्स दिए, जिससे MSE की तुलना में MAE में 20% से अधिक की कमी आई।
प्रदर्शन: मॉडलों ने $T_c$ के लिए 0.87 K का MAE (DFT के सापेक्ष) और गैर-सुपरकंडक्टर्स ( $T_c \le 5$ K) की पहचान करने के लिए 99.4% का ट्रू नेगेटिव रेट (TNR) प्राप्त किया। यह उच्च TNR स्क्रीनिंग के लिए महत्वपूर्ण है, जो फॉल्स पॉजिटिव्स को कम करता है।

B. हाई-थ्रूपुट वर्चुअल स्क्रीनिंग (HTVTS) वर्कफ्लो

यह वर्कफ्लो एक प्रगतिशील फ़िल्टरिंग कैस्केड के माध्यम से 1.3 मिलियन संभावित संरचनाओं को प्रोसेस करता है:

उम्मीदवार पीढ़ी (Candidate Generation):
- क्वेरी: धातु ( $E_h < 200$ meV/atom) के लिए एलेक्जेंड्रिया और मैटेरियल्स प्रोजेक्ट डेटाबेस की खोज की गई।
- सिंथेसिस: पैरेंट मेटालिक संरचनाओं पर पार्शियल वायकोफ साइट सब्स्टीट्यूशन (partial Wyckoff site substitution) के माध्यम से नवीन संरचनाएं बनाई गईं, जिससे ~1.22 मिलियन नए उम्मीदवार बने।
ML फ़िल्टरिंग (Zero DFT):
- संरचनाओं को रिलैक्स करने और फॉर्मेशन एनर्जी ( $E_f$ ) एवं बैंड गैप ( $E_g$ ) की भविष्यवाणी करने के लिए ML इंटरएटॉमिक पोटेंशियल (M3GNET) का उपयोग किया गया।
- CSO BEE-NET का उपयोग करके $T_c$ की भविष्यवाणी की गई और गैर-सुपरकंडक्टर्स को फ़िल्टर किया गया।
- थर्मोडायनामिक स्थिरता फिल्टर ( $E_h$ ) लागू किए गए।
- परिणाम: बिना एक भी DFT गणना के 1.22M उम्मीदवारों को 5,600 आशाजनक उम्मीदवारों तक कम किया गया।
DFT रिफाइनमेंट:
- 5,600 उम्मीदवारों को DFT का उपयोग करके स्ट्रक्चरली ऑप्टिमाइज़ किया गया।
- रिलैक्स्ड संरचनाओं पर $T_c$ के पुनर्मूल्यांकन के लिए CSO BEE-NET का उपयोग किया गया।
- डायनेमिक स्टेबिलिटी (कोई काल्पनिक फ्रीक्वेंसी नहीं) सुनिश्चित करने के लिए एक कोर्स $2\times2\times2$ q-ग्रिड पर फोनोन स्पेक्ट्रा की गणना की गई।
- अधिक सटीक $T_c$ भविष्यवाणी के लिए CPD BEE-NET लागू किया गया।
अंतिम सत्यापन:
- शेष उम्मीदवारों के लिए उच्च-सटीक $\alpha^2F(\omega)$ की गणना DFT के माध्यम से की गई।
- परिणाम: 741 स्थिर सुपरकंडक्टर्स की पहचान की गई जिनकी $T_c > 5$ K है।

3. प्रमुख योगदान (Key Contributions)

नवीन ML आर्किटेक्चर: BEE-NET का परिचय, जो पूर्ण एलिआशबर्ग स्पेक्ट्रल फंक्शन की भविष्यवाणी करता है, जिससे प्रत्यक्ष $T_c$ प्रेडिक्टर्स की तुलना में गहरी भौतिक अंतर्दृष्टि और बेहतर सामान्यीकरण प्राप्त होता है।
उच्च-दक्षता स्क्रीनिंग: एक ऐसा वर्कफ्लो विकसित किया गया जो 1.3 मिलियन सामग्रियों के पूल को 741 व्यवहार्य उम्मीदवारों तक कम करता है, जिसकी समग्र शुद्धता (precision) 86% है, जिसमें अंतिम चरण में केवल ~866 महंगे DFT गणनाओं की आवश्यकता होती है।
श्रेष्ठ वर्गीकरण: 99.4% का ट्रू नेगेटिव रेट प्राप्त किया, जो प्रभावी रूप से गैर-सुपरकंडक्टर्स को फ़िल्टर करता है और भारी कम्प्यूटेशनल संसाधनों को बचाता है।
प्रयोगात्मक सत्यापन: दो पहले से अज्ञात यौगिकों, Be $_2$ Hf $_2$ Nb और Be $_2$ HfNb $_2$ , का सफलतापूर्वक संश्लेषण और लक्षण वर्णन किया गया, जो उनकी सुपरकंडक्टिविटी की पुष्टि करते हैं।

4. मुख्य परिणाम (Key Results)

स्क्रीनिंग सांख्यिकी:
- प्रारंभिक पूल: >1.3 मिलियन उम्मीदवार।
- अंतिम पूल: 741 डायनेमिकली और थर्मोडायनामिकली स्थिर यौगिक जिनकी $T_c > 5$ K है।
- उच्च- $T_c$ उम्मीदवार: 69 यौगिक जिनकी अनुमानित $T_c \ge 20$ K है।
मॉडल सटीकता:
- $T_c$ के लिए MAE: 0.87 K (EMD लॉस के साथ CPD वैरिएंट)।
- मौजूदा सामग्रियों के लिए प्रिसिजन: 92%; जनरेटेड उम्मीदवारों के लिए: 76%।
प्रयोगात्मक पुष्टि:
- Be $_2$ Hf $_2$ Nb: सिंथेसाइज किया गया और 3.18 K के ऑनसेट $T_c$ के साथ सुपरकंडक्टिविटी की पुष्टि की गई। XRD ने Hf सब्स्टीट्यूशन के कारण होने वाले लैटिस एक्सपेंशन और Be $_2$ Nb $_3$ संरचना में सफल समावेश की पुष्टि की।
- Be $_2$ HfNb $_2$ : सिंथेसाइज किया गया और 4.24 K के ऑनसेट $T_c$ के साथ पाया गया। विशिष्ट ऊष्मा (specific heat) मापन ने दो अलग-अलग सुपरकंडक्टिंग ट्रांजिशन वाले मल्टी-फेज सैंपल का संकेत दिया।
- दोनों नमूनों ने सैद्धांतिक भविष्यवाणियों के अनुरूप बल्क सुपरकंडक्टिविटी प्रदर्शित की, हालांकि Hf/Nb सबलैटिस में कुछ विकार (disorder) था।

5. महत्व (Significance)

यह कार्य एक मजबूत, डेटा-संचालित ढांचे को स्थापित करता है जो सुपरकंडक्टर खोज में सैद्धांतिक भविष्यवाणी और प्रयोगात्मक वास्तविकता के बीच के अंतर को सफलतापूर्वक पाटता है। ML फोकस को एकल स्केलर ( $T_c$ ) की भविष्यवाणी से बदलकर अंतर्निहित भौतिक फंक्शन ( $\alpha^2F(\omega)$ ) की भविष्यवाणी करने की ओर स्थानांतरित करके, लेखकों ने एक ऐसा मॉडल बनाया है जो अत्यधिक सटीक और भौतिक रूप से व्याख्या योग्य है। प्रदर्शित वर्कफ्लो सिद्ध करता है कि AI सुपरकंडक्टिविटी जैसी दुर्लभ गुणों को खोजने के लिए विशाल सामग्री स्थान (materials space) को प्रभावी ढंग से नेविगेट कर सकता है, जो "संयोगवश" (serendipitous) खोज से हटकर एक व्यवस्थित, स्केलेबल दृष्टिकोण की ओर ले जाता है। यह कार्यप्रणाली ऊर्जा संचरण, लॉसलेस इलेक्ट्रॉनिक्स और मैग्नेटिक लेविटेशन के लिए अगली पीढ़ी के सुपरकंडक्टर्स की खोज को गति देने की क्षमता रखती है।