← नवीनतम पेपर
🔬 सामग्री विज्ञान

An open dataset of gas adsorption in deformable metal-organic frameworks for direct air capture

यह शोध पत्र ओपन DAC 2025 (ODAC25) डेटासेट प्रस्तुत करता है, जिसमें लगभग 15,000 लचीले मेटल-ऑर्गेनिक फ्रेमवर्क्स पर लगभग 60 मिलियन DFT गणनाएं शामिल हैं, ताकि डायरेक्ट एयर कैप्चर सामग्रियों के लिए उच्च-रिज़ॉल्यूशन मशीन लर्निंग-संचालित स्क्रीनिंग को सक्षम बनाया जा सके।

मूल लेखक: Anuroop Sriram, Logan M. Brabson, Xiaohan Yu, Sihoon Choi, Kareem Abdelmaqsoud, Elias Moubarak, Pim de Haan, Sindy Löwe, Johann Brehmer, Muhammed Shuaibi, John R. Kitchin, Max Welling, C. Lawrence Zit
प्रकाशित 2026-11-18
📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Anuroop Sriram, Logan M. Brabson, Xiaohan Yu, Sihoon Choi, Kareem Abdelmaqsoud, Elias Moubarak, Pim de Haan, Sindy Löwe, Johann Brehmer, Muhammed Shuaibi, John R. Kitchin, Max Welling, C. Lawrence Zitnick, Zachary Ulissi, Andrew J. Medford, David S. Sholl

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

हवा से कार्बन डाइऑक्साइड को साफ करने की चुनौती को समझने के लिए, सबसे पहले उन सामग्रियों को समझना होगा जिनका उपयोग वैज्ञानिक इसे पकड़ने के लिए करते हैं। एक स्पंज की कल्पना करें, लेकिन यह नरम फोम से नहीं, बल्कि धातु के परमाणुओं से बना है जो कार्बनिक अणुओं के माध्यम से एक कठोर, त्रि-आयामी जाली (लैटिस) में जुड़े हुए हैं। ये मेटल-ऑर्गेनिक फ्रेमवर्क्स (MOFs) हैं। ये सूक्ष्म स्पंज की तरह हैं जिनके छिद्र इतने समान और विशाल हैं कि वे विशिष्ट गैस अणुओं को पकड़ सकते हैं जबकि अन्य को गुजरने दे सकते हैं। वर्षों से, शोधकर्ता इन सामग्रियों का उपयोग सीधे वायुमंडल से कार्बन डाइऑक्साइड निकालने के लिए करने की आशा कर रहे हैं, जिसे 'डायरेक्ट एयर कैप्चर' कहा जाता है, ताकि जलवायु परिवर्तन को धीमा करने में मदद मिल सके। समस्या यह है कि इन स्पंजों को बनाने के लाखों संभावित तरीके हैं, और प्रयोगशाला में एक-एक करके उनका परीक्षण करना बहुत धीमा और महंगा है। वैज्ञानिक कंप्यूटर का उपयोग यह सिम्युलेट करने के लिए करने लगे हैं कि विभिन्न MOFs कैसे व्यवहार करते हैं, लेकिन लंबे समय तक, इन सिमुलेशन ने सरलीकृत नियमों पर भरोसा किया जो अक्सर उन सूक्ष्म, वास्तविक दुनिया के तरीकों को चूक जाते थे जिनसे ये सामग्रियां गैस अणुओं के प्रवेश करने पर मुड़ती और बदलती हैं।

एक नया अध्ययन एक विशाल, खुले डेटा संग्रह को पेश करता है जिसे इन कमियों को दूर करने और बेहतर वायु-सफाई सामग्री की खोज में तेजी लाने के लिए डिज़ाइन किया गया है। शोधकर्ताओं के एक दल ने, जिसमें मेटा से लेकर जॉर्जिया इंस्टीट्यूट ऑफ टेक्नोलॉजी तक के संस्थान शामिल हैं, 'ओपन DAC 2025' नामक एक डेटासेट बनाया है। इस संग्रह में लगभग 6 करोड़ विस्तृत कंप्यूटर गणनाएँ शामिल हैं जो यह बताती हैं कि चार अलग-अलग गैसें—कार्बन डाइऑक्साइड, जल वाष्प, नाइट्रोजन और ऑक्सीजन—लगभग 15,000 विभिन्न मेटल-ऑर्गेनिक फ्रेमवर्क्स के साथ कैसे परस्पर क्रिया करती हैं। पिछले प्रयासों के विपरीत, जिन्होंने इन सामग्रियों को पूरी तरह से कठोर पिंजरों के रूप में माना था, यह नया डेटासेट इस तथ्य को ध्यान में रखता है कि गैस के अणु प्रवेश करने पर फ्रेमवर्क वास्तव में लचीले होते हैं और बदलते हैं। इन गतिविधियों को शामिल करके, नए प्रकार के रासायनिक संशोधनों और यहाँ तक कि कंप्यूटर-जनित संरचनाओं के साथ भी जो प्रकृति में अभी तक मौजूद नहीं हैं, टीम ने कार्बन को पकड़ने के लिए सर्वोत्तम सामग्रियों को खोजने के लिए एक अधिक यथार्थवादी और व्यापक मानचित्र प्रदान किया है।

इस कार्य का मुख्य केंद्र उन सामग्रियों को मॉडल करने के पुराने तरीके में मौजूद एक विशिष्ट दोष को संबोधित करता है। पिछले अध्ययनों में, शोधकर्ता अक्सर यह मान लेते थे कि मेटल-ऑर्गेनिक फ्रेमवर्क गैस से भरा हो या खाली, उसका आकार बिल्कुल वैसा ही रहता है। वास्तविकता में, जब एक गैस का अणु छिद्र में प्रवेश करता है, तो वह फ्रेमवर्क के परमाणुओं को थोड़ा धकेल सकता है, जिससे सामग्री विकृत हो जाती है। यह विरूपण (deformation) गैस को थामे रखने के लिए आवश्यक ऊर्जा को बदल देता है। नया डेटासेट इस सुधार को करके यह सुनिश्चित करता है कि फ्रेमवर्क को गैस के अणु के प्रवेश के बाद अपने सबसे स्थिर आकार में ढलने (relax) की अनुमति दी जाए, और फिर से गैस के बाहर जाने के बाद भी। इस प्रक्रिया ने खुलासा किया कि कई सामग्रियां जिन्हें पहले कार्बन कैप्चर के लिए मजबूत उम्मीदवार माना जाता था, उनकी लचीलापन (flexibility) को ध्यान में रखने के बाद वास्तव में कम प्रभावी हो सकती हैं। शोधकर्ताओं ने पाया कि इस गति को अनदेखा करने से यह अनुमान लगाने में महत्वपूर्ण त्रुटियां हो सकती हैं कि कोई सामग्री कितनी अच्छी तरह काम करती है, जिससे कभी-कभी कोई सामग्री वास्तव में जितनी अच्छी है, उससे कहीं अधिक बेहतर दिखने लगती है।

इस डेटासेट को बनाने के लिए, टीम ने केवल मौजूदा सामग्रियों को ही नहीं देखा; उन्होंने रासायनिक स्थान (chemical space) का कई तरीकों से विस्तार किया। उन्होंने नाइट्रोजन और ऑक्सीजन को मिश्रण में जोड़ा, जो हवा में प्रचुर मात्रा में उपलब्ध हैं और कार्बन डाइऑक्साइड के लिए छिद्रों के भीतर स्थान के लिए प्रतिस्पर्धा करते हैं। उन्होंने फ्रेमवर्क के धातु स्थलों या जोड़ने वाले लिंक से अमीन समूहों (amine groups)—जो कार्बन डाइऑक्साइड को आकर्षित करने के लिए जाने जाते हैं—को जोड़कर फ्रेमवर्क के नए संस्करण भी बनाए। इसके अलावा, उन्होंने हजारों काल्पनिक संरचनाओं को उत्पन्न करने के लिए कंप्यूटर एल्गोरिदम का उपयोग किया जो रासायनिक रूप से वैध हैं लेकिन अभी तक प्रयोगशाला में संश्लेषित नहीं की गई हैं। इन कृत्रिम संरचनाओं ने उन ज्यामितियों का अन्वेषण किया जिनमें वर्तमान प्रयोगात्मक डेटाबेस की तुलना में बड़े छिद्र और कम घनत्व हैं, जिससे प्रभावी रूप से उन सीमाओं का परीक्षण हुआ जो ये सामग्रियां सैद्धांतिक रूप से हो सकती हैं।

अगली पीढ़ी के आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित करने के लिए आवश्यक डेटा की मात्रा आश्चर्यजनक है। टीम ने लगभग 6 करोड़ व्यक्तिगत गणनाएँ कीं, जो एक लैब सेटिंग में पूरा करना असंभव होता। उन्होंने 'डेंसिटी फंक्शनल थ्योरी' नामक पद्धति का उपयोग किया, जो परमाणुओं और अणुओं में इलेक्ट्रॉनों के व्यवहार की गणना करने का एक उच्च-सटीक तरीका है, ताकि प्रत्येक परस्पर क्रिया की ऊर्जा निर्धारित की जा सके। गणनाओं की सटीकता सुनिश्चित करने के लिए, उन्होंने क्रिस्टल संरचनाओं के दोहराव वाले पैटर्न को सिम्युलेट करते समय होने वाली संख्यात्मक त्रुटियों को ठीक किया। उन्होंने उच्च-ऊर्जा, अस्थिर विन्यासों (configurations) को भी शामिल किया जो छिद्रों के भीतर गैस के अणुओं के होते हैं, जो कंप्यूटर मॉडल को यह अनुमान लगाने के लिए आवश्यक हैं कि सामग्रियां विभिन्न स्थितियों के तहत कैसे व्यवहार करेंगी, न कि केवल उनकी सबसे आरामदायक स्थिति में।

इस डेटासेट के साथ, शोधकर्ताओं ने इन सामग्रियों के गुणों की भविष्यवाणी करने के लिए कई उन्नत मशीन-लर्निंग मॉडल को प्रशिक्षित किया, ताकि हर बार महंगी गणना करने की आवश्यकता न पड़े। ये मॉडल, जो जटिल भौतिकी के लिए एक शॉर्टकट के रूप में कार्य करते हैं, कम दबाव पर एक सामग्री कितनी गैस धारण कर सकती है, इसकी भविष्यवाणी करने की अपनी क्षमता पर परीक्षित किए गए थे। परिणामों ने दिखाया कि इस नए, अधिक यथार्थवादी डेटा पर प्रशिक्षित मॉडल, पुराने, सरलीकृत डेटा पर प्रशिक्षित मॉडलों की तुलना में काफी अधिक सटीक थे। वे सामग्रियों के व्यवहार की भविष्यवाणी करने में बेहतर थे, जिसमें फ्रेमवर्क का विरूपण और विभिन्न गैसों के बीच प्रतिस्पर्धा शामिल थी। यह सुधार महत्वपूर्ण है क्योंकि इसका अर्थ है कि वैज्ञानिक अब एक ऐसे स्तर के विश्वास के साथ हजारों संभावित सामग्रियों की जांच कर सकते हैं जो पहले अप्राप्य था।

अध्ययन ने केवल कार्बन डाइऑक्साइड ही नहीं, बल्कि हवा में पाई जाने वाली सभी गैसों को शामिल करने के महत्व पर भी प्रकाश डाला। फ्रेमवर्क के साथ नाइट्रोजन और ऑक्सीजन की परस्पर क्रिया का अनुकरण करके, शोधकर्ता उन सामग्रियों की पहचान कर सके जो कार्बन डाइऑक्साइड के लिए विशिष्ट हो सकती हैं, भले ही वहां अन्य गैसें मौजूद हों। उन्होंने पाया कि कुछ सामग्रियां नाइट्रोजन या ऑक्सीजन के प्रति मजबूत प्राथमिकता दिखाती हैं, जो कार्बन कैप्चर अनुप्रयोगों के लिए एक समस्या होगी। विवरण का यह स्तर शोधकर्ताओं को उन सामग्रियों पर समय बर्बाद करने से बचने में मदद करता है जो एक सरल परीक्षण में अच्छी दिख सकती हैं लेकिन वास्तविक हवा के जटिल वातावरण में विफल हो जाती हैं।

हालांकि यह डेटासेट एक शक्तिशाली उपकरण है, शोधकर्ता इसकी सीमाओं के बारे में सावधान हैं। सिमुलेशन इलेक्ट्रॉनों के बीच परस्पर क्रिया के लिए विशिष्ट गणितीय सन्निकटन (approximations) पर निर्भर करते हैं, जो कभी-कभी कुछ प्रकार की रासायनिक प्रतिक्रियाओं, विशेष रूप से ऑक्सीजन से जुड़ी प्रतिक्रियाओं के साथ संघर्ष कर सकते हैं। वे स्वीकार करते हैं कि सबसे महत्वपूर्ण अनुप्रयोगों के लिए, अधिक जटिल विधियों के साथ और अधिक परीक्षण की आवश्यकता होगी। हालांकि, डेटासेट एक मजबूत आधार प्रदान करता है जो अतीत में उपयोग किए गए सरलीकृत मॉडलों की तुलना में कहीं बेहतर है। इस डेटा और प्रशिक्षित मॉडलों को सार्वजनिक रूप से उपलब्ध कराकर, टीम की उम्मीद है कि वे अन्य वैज्ञानिकों को बेहतर सामग्रियां तेजी से डिजाइन करने के लिए सशक्त बनाएंगे, जिससे यह क्षेत्र वायुमंडल से कार्बन डाइऑक्साइड हटाने के व्यावहारिक, बड़े पैमाने के समाधानों के करीब पहुंच सके।

यह कार्य इन सामग्रियों को स्थिर वस्तुओं के रूप में देखने के बजाय उन्हें उनके वातावरण के जवाब में बदलने वाली गतिशील प्रणालियों के रूप में समझने की ओर एक बदलाव का प्रतिनिधित्व करता है। यह बदलाव हमें इस बात का अधिक ईमानदार मूल्यांकन करने की अनुमति देता है कि कौन सी सामग्रियां वास्तविक दुनिया में काम करेंगी। डेटासेट में लगभग 6 करोड़ डेटा बिंदु शामिल हैं, जो रासायनिक संभावनाओं के एक विशाल विस्तार को कवर करते हैं, उन सामग्रियों से लेकर जिन्हें हम आज जानते हैं, उन तक जिन्हें हमने अभी तक केवल कल्पना की है। यह खोज की अगली पीढ़ी के लिए एक व्यापक मार्गदर्शक के रूप में कार्य करता है, यह सुनिश्चित करता है कि जब नई सामग्रियां बनाई जाएं, तो वे एक सटीक, विस्तृत और यथार्थवादी विज्ञान के आधार पर बनाई जाएं। अंतिम लक्ष्य एक ऐसी सामग्री खोजना है जो आकाश से कार्बन डाइऑक्साइड को कुशलतापूर्वक और सस्ते में खींच सके, और यह नया संसाधन उसे खोजने के लिए अब तक का सबसे स्पष्ट मानचित्र प्रदान करता 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।

Digest आज़माएँ →