Active Learning for Predicting the Enthalpy of Mixing inBinary Liquids Based on Ab Initio Molecular Dynamics
यह अध्ययन डेटा अंतराल की पहचान करने और लक्षित *ab initio* आणविक गतिकी सिमुलेशन (molecular dynamics simulations) करने के माध्यम से द्वि-द्रव (binary liquids) में मिश्रण की एन्थैल्पी के पूर्वानुमान में सुधार करने के लिए एक सक्रिय शिक्षण (active learning) दृष्टिकोण प्रस्तावित करता है, जो विशेष रूप से रिफ्रैक्टरी तत्वों (refractory elements) पर केंद्रित है।
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 शेफ हैं जो एक जटिल सॉस के लिए एक आदर्श नई रेसिपी बनाने की कोशिश कर रहे हैं। आपके पास हजारों संभावित सामग्रियों के संयोजन वाली एक विशाल कुकबुक है, लेकिन आपके पास केवल कुछ ही परीक्षण करने का समय है। यदि आप यादृच्छिक रूप से (at random) सामग्रियां चुनते हैं, तो आप उन संयनों का परीक्षण करने में घंटों बर्बाद कर सकते हैं जिनका स्वाद बहुत बुरा है या जो लगभग सादे पानी के समान हैं।
यह वैज्ञानिक शोध पत्र धातु विज्ञान (धातुओं के विज्ञान) की दुनिया में एक समान समस्या को हल करने के लिए "स्मार्ट अनुमान" (smart guessing) का उपयोग करने के बारे में है।
समस्या: तरल धातुओं का "स्वाद"
जब वैज्ञानिक नए मिश्र धातु (alloys) बनाने के लिए धातुओं को एक साथ पिघलाते हैं (जैसे कि जेट इंजनों या स्मार्टफोन के पुर्जों में उपयोग की जाने वाली धातुएं), तो उन्हें "एन्थैल्पी ऑफ मिक्सिंग" (Enthalpy of Mixing) जानने की आवश्यकता होती है।
इसे तरल की "रासायनिक सामाजिक ऊर्जा" (chemical social energy) के रूप में सोचें।
- यदि दो धातुएं एक-दूसरे को "पसंद" करती हैं, तो वे सुचारू रूप से मिलती हैं और ऊर्जा छोड़ती हैं (जैसे गर्म चाय में चीनी का घुलना)।
- यदि वे एक-दूसरे को "पसंद नहीं" करती हैं, तो वे परतों में अलग हो सकती हैं (जैसे तेल और पानी)।
इस "सामाजिक ऊर्जा" को जानना नई सामग्रियों को डिजाइन करने के लिए महत्वपूर्ण है, लेकिन 66 ज्ञात तत्वों के हर एक संयोजन का परीक्षण करना असंभव है। यह दुनिया के हर संभव मसाले के हर संयोजन को चखने की कोशिश करने जैसा है—इसमें जीवन बीत जाएगा।
रणनीति: "स्मार्ट सू-शेफ" (एक्टिव लर्निंग)
सब कुछ परीक्षण करने के बजाय, शोधकर्ताओं ने एक्टिव लर्निंग (Active Learning) नामक एक विधि का उपयोग किया।
कल्पना कीजिए कि आपके पास एक "स्मार्ट सू-शेफ" (एक AI मॉडल) है। आप शेफ को थोड़ा सा डेटा देते हैं, और शेफ कहता है, "मुझे लगता है कि मैं अधिकांश स्वादों को समझता हूँ, लेकिन मैं इस बात को लेकर बहुत भ्रमित हूँ कि टंगस्टन जैसे भारी, जिद्दी मसालों को मिलाने पर क्या होता है। कृपया, विशेष रूप से उन्हें ही टेस्ट करें!"
शोधकर्ताओं ने इस AI का उपयोग "ज्ञान की कमियों" (knowledge gaps) को पहचानने के लिए किया—वे क्षेत्र जहाँ AI सबसे अधिक "भ्रमित" या अनिश्चित था। उन्होंने पाया कि उनका AI रिफ्रैक्टरी मेटल्स (refractory metals) (ऐसी धातुएं जिनका गलनांक अविश्वसनीय रूप से उच्च होता है, जैसे आवर्त सारणी के "कठोर खिलाड़ी") के साथ क्या होता है, इसकी भविष्यवाणी करने में विशेष रूप से खराब था।
उपकरण: "डिजिटल माइक्रोस्कोप" (एब इनिटियो मॉलिक्यूलर डायनेमिक्स)
चूंकि ये "कठोर खिलाड़ी" धातुएं अत्यधिक तापमान पर पिघलती हैं, इसलिए प्रयोगशाला में इनका परीक्षण करना अविश्वसनीय रूप से कठिन और महंगा है। यह एक ब्लास्ट फर्नेस के अंदर एक स्नोफ्लेक (हिमपात का कण) के व्यवहार का अध्ययन करने जैसा है।
इस समाधान के लिए, उन्होंने एब इनिटियो मॉलिक्यूलर डायनेमिक्स (Ab Initio Molecular Dynamics - AIMD) का उपयोग किया। इसे एक सुपर-पावर्ड डिजिटल सिम्युलेटर के रूप में समझें। वास्तविक आग और वास्तविक धातु का उपयोग करने के बजाय, उन्होंने व्यक्तिगत परमाणुओं के नृत्य को सिम्युलेट करने के लिए विशाल सुपरकंप्यूटरों का उपयोग किया। इसने उन्हें यह "देखने" की अनुमति दी कि वे जिद्दी धातुएं तरल अवस्था में कैसे व्यवहार करती हैं, बिना कभी असली भट्टी जलाए।
परिणाम: एक बेहतर रेसिपी बुक
AI को यह बताने के लिए कि उन्हें क्या टेस्ट करना है, और सुपरकंप्यूटर को वह परीक्षण वास्तव में करने के लिए, उन्होंने अपने डेटाबेस में 29 उच्च-गुणवत्ता वाले नए "रेसिपी" जोड़े।
परिणाम क्या रहा?
- बेहतर सटीकता: उनका AI मॉडल इन कठिन धातुओं की "सामाजिक ऊर्जा" की भविष्यवाणी करने में बहुत बेहतर हो गया।
- कड़ियों को जोड़ना: उन्होंने पाया कि धातुओं को "समूहीकृत" करने का उनका तरीका पुराने, प्रसिद्ध वैज्ञानिक सिद्धांतों (जैसे मिडेमा का सिद्धांत) से मेल खाता है, जो यह साबित करता है कि उनका डिजिटल दृष्टिकोण वास्तविक भौतिकी पर आधारित था।
संक्षेप में
अनंत धातु संयोजनों के जंगल में बिना किसी दिशा के भटकने के बजाय, वैज्ञानिकों ने एक AI स्काउट का उपयोग किया ताकि वे जंगल के सबसे अंधेरे, सबसे रहस्यमय हिस्सों को खोज सकें, और एक डिजिटल सिम्युलेटर का उपयोग किया ताकि वे उन हिस्सों को सुरक्षित रूप से एक्सप्लोर कर सकें। यह अगली पीढ़ी की सुपर-स्ट्रॉन्ग, हीट-रेसिस्टेंट सामग्रियों को डिजाइन करना बहुत तेज़ और स्मार्ट बनाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।