🔬 materials science

Accelerating discovery of infrared nonlinear optical materials with large shift current via high-throughput screening

यह अध्ययन मजबूत शिफ्ट करंट प्रतिक्रिया वाले 32 इन्फ्रारेड नॉनलीनियर ऑप्टिकल उम्मीदवारों की पहचान करने के लिए 154,000 से अधिक सामग्रियों पर एक हाई-थ्रूपुट स्क्रीनिंग रणनीति का उपयोग करता है, जो यह प्रकट करता है कि $C_{3v}$ समरूपता और भारी $p$ -ब्लॉक तत्वों वाली स्तरित संरचनाएं अगली पीढ़ी के ऑप्टोइलेक्ट्रॉनिक अनुप्रयोगों के लिए विशेष रूप से आशाजनक हैं।

मूल लेखक: Aiqin Yang, Dian Jin, Mingkang Liu, Daye Zheng, Qi Wang, Qiangqiang Gu, Jian-Hua Jiang

प्रकाशित 2026-07-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aiqin Yang, Dian Jin, Mingkang Liu, Daye Zheng, Qi Wang, Qiangqiang Gu, Jian-Hua Jiang

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

प्रकाश की दुनिया को केवल देखने के साधन के रूप में नहीं, बल्कि ऊर्जा की एक शक्तिशाली नदी के रूप में कल्पना करें जिसे बिजली में बदला जा सकता है। दशकों से, हमने इस ऊर्जा को पकड़ने के लिए एक विशेष प्रकार के "बांध" पर भरोसा किया है: सौर पैनल (सोलर पैनल)। ये पैनल एक विशेष जंक्शन (जैसे दो अलग-अलग सामग्रियों के बीच की दीवार) का उपयोग करके इलेक्ट्रॉनों को एक दिशा में धकेलते हैं, जिससे करंट पैदा होता है। लेकिन इसमें एक पेंच है: इस पुराने तरीके की वोल्टेज पैदा करने की एक निश्चित सीमा है, और यह प्रकाश के अदृश्य, गर्म हिस्से, जिसे इन्फ्रारेड (अवरक्त) कहा जाता है, को ज्यादातर अनदेखा कर देता है।

यहाँ प्रकाश को पकड़ने का एक अलग, अधिक जादुई तरीका है जिसे "बल्क फोटोवोल्टिक प्रभाव" (bulk photovoltaic effect) कहा जाता है। एक दीवार या जंक्शन की आवश्यकता के बिना, यह प्रभाव एक एकल, पूर्ण रूप से सममित क्रिस्टल के भीतर होता है जिसमें कोई केंद्र बिंदु नहीं होता। जब प्रकाश इससे टकराता है, तो इलेक्ट्रॉन केवल कूदते नहीं हैं; वे वास्तविक स्थान में अपनी स्थिति को "शिफ्ट" करते हैं, जैसे कि कोई नर्तक अचानक, समन्वित कदम किनारे की ओर लेता है। यह बिना किसी बाहरी बैटरी या वोल्टेज के बिजली का एक निरंतर प्रवाह बनाता है। वैज्ञानिक इसे "शिफ्ट करंट" कहते हैं। बड़ा रहस्य यह था कि: विशेष रूप से इन्फ्रारेड प्रकाश के लिए सबसे अच्छे पदार्थ कौन से हैं? उन्हें खोजना एक घास के ढेर में सुई खोजने जैसा था, जहाँ आमतौर पर एक समय में एक सामग्री का परीक्षण किया जाता था और बेहतर परिणाम की उम्मीद की जाती थी।

महान डिजिटल खोज

इस अध्ययन में, शोधकर्ताओं की एक टीम ने अनुमान लगाना बंद करने और एक सुपर-पावर्ड जाल के साथ खोजना शुरू करने का निर्णय लिया। उन्होंने केवल कुछ ही सामग्रियों को नहीं देखा; उन्होंने 1,54,000 से अधिक ज्ञात अकार्बनिक यौगिकों (inorganic compounds) वाले डेटाबेस पर एक विशाल डिजिटल जाल फैलाया। इस डेटाबेस को हर ज्ञात रासायनिक नुस्खे की एक विशाल लाइब्रेरी के रूप में समझें। टीम ने इस लाइब्रेरी को छाँटने के लिए एक चतुर, बहु-चरणीय फिल्टर बनाया, जिसमें ऐसे क्रिस्टल खोजे गए जो स्थिर, गैर-चुंबकीय थे और जिनमें इलेक्ट्रॉनों के शिफ्ट होने की अनुमति देने के लिए सही प्रकार की "विषम" समरूपता (lopsided symmetry) थी।

असंभव और अस्थिर चीजों को छानने के बाद, उनके पास 2,519 आशाजनक उम्मीदवार बचे। फिर उन्होंने यह देखने के लिए कि वे इस "शिफ्ट करंट" को कितनी अच्छी तरह उत्पन्न कर सकते हैं, उन सभी पर उच्च गति वाले कंप्यूटर सिमुलेशन चलाए। यह गणनाओं का एक मैराथन था, लेकिन परिणाम सोने की खान की तरह थे। उन्होंने पाया कि 32 सामग्रियां बहुत मजबूत प्रतिक्रिया दिखाती हैं, लेकिन असली खजाने की खोज तो अभी शुरू हुई थी।

इन्फ्रारेड चैंपियन

टीम जानना चाहती थी कि इनमें से कौन से 32 चैंपियन इन्फ्रारेड प्रकाश के साथ काम कर सकते हैं—वह प्रकाश जो गर्मी ले जाता है और जिसका उपयोग नाइट-विज़न गॉगल्स या रिमोट कंट्रोल में किया जाता है। और भी सटीक और विस्तृत सिमुलेशन चलाकर (अपने काम को दोबारा जांचने के लिए एक अधिक सटीक गणितीय विधि का उपयोग करते हुए), उन्होंने इसे 9 विशेष सामग्रियों तक सीमित कर दिया।

मुख्य आकर्षण एक यौगिक है जिसे Sn5Ge2(SbTe5)2 कहा जाता है। अपने सिमुलेशन में, इस सामग्री ने 616 µA/V² की विशाल शिफ्ट करंट प्रतिक्रिया दिखाई। इसे समझने के लिए, पेपर में उल्लेख किया गया है कि यह पहले से ज्ञात सर्वोत्तम इन्फ्रारेड सामग्री से चार गुना अधिक मजबूत है। अन्य शीर्ष प्रदर्शन करने वालों में BiSb और Ge(SbTe2)2 शामिल थे, जिन्होंने इन्फ्रारेड रेंज में भी बहुत बड़ी प्रतिक्रिया दिखाई।

शोधकर्ताओं ने सफलता का एक गुप्त नुस्खा खोज निकाला। सबसे अच्छी सामग्रियां यादृच्छिक (random) नहीं थीं; उन सभी में एक विशिष्ट "व्यक्तित्व" था। वे एक स्तरित संरचना (जैसे पैनकेक का ढेर) और C3v नामक एक विशिष्ट प्रकार की समरूपता साझा करती थीं। सबसे महत्वपूर्ण बात यह है कि वे आवर्त सारणी के "p-ब्लॉक" के भारी तत्वों, विशेष रूपв रूप से टेल्यूरियम (Te), एंटीमनी (Sb), जर्मेनियम (Ge) और सेलेनियम (Se) से भरी हुई थीं। पेपर सुझाव देता है कि इन भारी परमाणुओं के इलेक्ट्रॉन क्लाउड बड़े और दिशात्मक होते हैं, जो उन्हें प्रकाश से टकराने पर वह बड़ा "डांस स्टेप" लेने की अनुमति देते हैं, जिससे एक शक्तिशाली करंट बनता है।

सिमुलेशन से स्मार्ट भविष्यवाणी तक

लेकिन टीम केवल इन 9 सामग्रियों को खोजने तक ही नहीं रुकी। उन्होंने महसूस किया कि 1,54,000 सामग्रियों को एक-एक करके जांचना धीमा है, कंप्यूटर के लिए भी। इसलिए, उन्होंने अपने नए डेटा का उपयोग एक आर्टिफिशियल इंटेलिजेंस (AI) मॉडल को प्रशिक्षित करने के लिए किया। उन्होंने AI को सिखाया कि वह क्रिस्टल के आकार और सामग्री को देखे और भविष्यवाणी करे कि वह शिफ्ट करंट उत्पन्न करने में कितना अच्छा होगा।

उन्होंने इस AI का परीक्षण उन सामग्रियों पर किया जिन्हें उसने पहले कभी नहीं देखा था, जिनमें कुछ बहुत बड़े और जटिल ढांचे भी शामिल थे जिन्हें सीधे सिम्युलेट करना कठिन है। AI ने सफलतापूर्वक दो नए, बड़े-क्रिस्टल उम्मीदवारों (Cs(Bi2Te3)2 और Sn(BiTe2)2) की पहचान की जो आशाजनक लग रहे थे। यह साबित करता है कि उनके द्वारा बनाया गया डेटासेट एक शक्तिशाली उपकरण है जो वैज्ञानिकों को हर एक को शुरू से सिम्युलेट किए बिना, भविष्य की सामग्रियां बहुत तेज़ी से खोजने में मदद कर सकता है।

भविष्य के लिए इसका क्या अर्थ है

पेपर निष्कर्ष निकालता है कि हालांकि वर्तमान में इन सामग्रियों की पहचान कंप्यूटर सिमुलेशन के माध्यम से की गई है, लेकिन वे वास्तविक दुनिया में उपयोग के लिए बहुत आशाजनक दिखती हैं। शोधकर्ता बताते हैं कि इन रासायनिक संयोजनों में से कई उन सामग्रियों के समान हैं जिन्हें वैज्ञानिक पहले से ही लैब में बनाना जानते हैं, जो यह सुझाव देता है कि इन सामग्रियों को बनाना केवल एक सपना नहीं है।

यदि इन सामग्रियों को वास्तविक दुनिया में बनाया और टेस्ट किया जा सकता है, तो वे इन्फ्रारेड प्रकाश के साथ हमारे संवाद करने के तरीके में क्रांति ला सकते हैं। बिना बैटरी वाले स्व-संचालित सेंसर की कल्पना करें, अविश्वसनीय रूप से संवेदनशील इन्फ्रारेड कैमरे, या गर्मी और प्रकाश से ऊर्जा प्राप्त करने के नए तरीके। पेपर यह दावा नहीं करता कि ये उपकरण अभी मौजूद हैं, लेकिन इसने अगले पीढ़ी के वैज्ञानिकों के लिए मानचित्र और निर्देशांक प्रदान किए हैं जो उन्हें बनाने के लिए तैयार हैं। हाई-स्पीड कंप्यूटर स्क्रीनिंग को स्मार्ट AI के साथ जोड़कर, टीम ने घास के ढेर में सुई खोजने वाली समस्या को एक लक्षित खजाने की खोज में बदल दिया है, जिससे सामग्रियों का एक नया वर्ग सामने आया है जो प्रकाश-आधारित तकनीक के भविष्य को संचालित करने के लिए तैयार है।

तकनीकी सारांश: उच्च-थ्रूपुट स्क्रीनिंग के माध्यम से बड़े शिफ्ट करंट वाले इन्फ्रारेड नॉनलीन ऑप्टिकल सामग्रियों की खोज को गति देना

समस्या विवरण
इन्फ्रारेड (IR) क्षेत्र के भीतर मजबूत शिफ्ट करंट प्रतिक्रिया उत्पन्न करने में सक्षम नॉनलीन ऑप्टिकल (NLO) सामग्रियों की खोज, अगली पीढ़ी के ऑप्टोइलेक्ट्रॉनिक्स के लिए एक महत्वपूर्ण चुनौती बनी हुई है। जबकि बल्क फोटोवोल्टिक प्रभाव (BPVE) निरंतर प्रत्यक्ष-धारा (direct-current) फोटोकरंट और बैंडगैप से ऊपर के फोटोवोल्टेज को उत्पन्न करने के लिए एक इंटरफेस-मुक्त तंत्र प्रदान करता है, वर्तमान अनुप्रयोग मुख्य रूप से कम फोटोकरंट और खराब ऊर्जा रूपांतरण दक्षता द्वारा सीमित हैं। मौजूदा उच्च-थ्रूपुट प्रयास विशिष्ट संरचनात्मक परिवारों या छोटे डेटाबेस तक ही सीमित रहे हैं, जिससे मटेरियल्स प्रोजेक्ट (MP) डेटाबेस का विशाल रासायनिक और संरचनात्मक स्थान उच्च-प्रदर्शन वाले IR शिफ्ट-करंट सामग्रियों के लिए अपरिभोषित रह गया है। इसके अलावा, शिफ्ट करंट प्रतिक्रियाओं के लिए उच्च-गुणवत्ता वाले, बड़े पैमाने के डेटासेट का अभाव, AI-संचालित भविष्य कहनेवाला और जनरेटिव मॉडल विकसित करने के लिए एक बाधा उत्पन्न करता है।

कार्यप्रणाली
लेखकों ने MP डेटाबेस पर लागू एक निष्पक्ष, बहु-चरणीय उच्च-थ्रूपुट स्क्रीनिंग वर्कफ़्लो का उपयोग किया, जिसमें प्रारंभ में 154,000 से अधिक अकार्बनिक सामग्रियां शामिल थीं। स्क्रीनिंग प्रक्रिया में निम्नलिखित चरण शामिल थे:

फिल्टरिंग: गैर-सेंट्रोसिमेट्रिक, ऊष्मप्रवैगिकी रूप से तर्कसंगत और गणनात्मक रूप से सुलभ उम्मीदवारों की पहचान करने के लिए मानदंडों की एक श्रृंखला लागू की गई। फिल्टरों में सममिति (गैर-सेंट्रोसिमेट्रिक), इलेक्ट्रॉनिक संरचना (PBE बैंडगैप $E_g > 0.1$ eV, गैर-चुंबकीय), ऊष्मप्रवैगिक स्थिरता (कन्वेक्स हल के ऊपर ऊर्जा $E_{hull} \le 50$ meV/atom), तात्विक संरचना (आंशिक रूप से भरे हुए 3d शेल और लैंथेनाइड/एक्टिनाइड तत्वों का बहिष्करण), और यूनिट सेल आकार (20 परमाणुओं से कम) शामिल थे। इसने पूल को घटाकर 2,519 उम्मीदवार कर दिया।
प्रथम-सिद्धांत गणना (PBE स्तर): सभी 2,519 उम्मीदवारों के लिए इलेक्ट्रॉनिक संरचना और ऑप्टिकल प्रतिक्रियाएं ABACUS पैकेज के भीतर Perdew-Burke-Ernzerhof (PBE) एक्सचेंज-कोरिलेशन फंक्शनल का उपयोग करके कंप्यूट की गईं। शिफ्ट करंट कंडक्टिविटी टेंसर $\sigma_{abc}$ को DFT हैमिल्टनियन के आधार पर PYATB पैकेज का उपयोग करके गणना किया गया था।
परिमित गणना (HSE स्तर): शीर्ष 32 उम्मीदवार, जिन्हें PBE शिफ्ट करंट प्रतिक्रिया $|\sigma_{abc}|_{max} > 100$ µA/V $^2$ द्वारा परिभाषित किया गया था, अधिक सटीक बैंडगैप और NLO प्रतिक्रिया प्राप्त करने के लिए Heyd-Scuseria-Ernzerhof (HSE) हाइब्रिड फंक्शनल का उपयोग करके आगे के मूल्यांकन के अधीन किए गए।
मशीन लर्निंग सत्यापन: AI-संचालित खोज के लिए उत्पन्न डेटासेट की उपयोगिता को प्रदर्शित करने के लिए, एक प्रोटोटाइप मशीन लर्निंग मॉडल, DPA3- $\sigma$ , विकसित किया गया। इस मॉडल ने संरचनात्मक एम्बेडिंग से अधिकतम शिफ्ट करंट प्रतिक्रिया की भविष्यवाणी करने के लिए पूर्व-प्रशिक्षित DPA3 ग्राफ न्यूरल नेटवर्क (जो मूल रूप से अंतर-परमाणु क्षमता के लिए डिज़ाइन किया गया था) से ट्रांसफर लर्निंग का उपयोग किया।

प्रमुख योगदान

व्यापक डेटासेट: यह अध्ययन अब तक शिफ्ट करंट प्रतिक्रिया के लिए सबसे व्यापक प्रथम-सिद्धांत डेटासेट में से एक स्थापित करता है, जिसमें विस्तृत PBE और HSE स्तर की गणनाओं के साथ 2,519 गैर-सेंट्रोसिमेट्रिक सामग्रियां शामिल हैं।
डिज़ाइन सिद्धांत: यह कार्य शिफ्ट करंट बढ़ाने के लिए विशिष्ट संरचनात्मक और रासायनिक डिज़ाइन सिद्धांतों की पहचान करता है: $C_{3v}$ सममिति (विशेष रूप से ट्रिगोनल $R3m$ स्पेस ग्रुप) वाली सामग्रियां जिनमें भारी p-ब्लॉक तत्व (विशेष रूप से Te, Sb, Ge, और Se) होते हैं, उत्कृष्ट प्रदर्शन प्रदर्शित करती हैं।
AI पाइपलाइन प्रदर्शन: शोध पत्र बड़े पैमाने के डेटाबेस की स्क्रीनिंग के लिए एक ट्रांसफर लर्निंग रणनीति (DPA3- $\sigma$ ) के उपयोग को मान्य करता है, जो उच्च रिकॉल और परिशुद्धता के साथ छोटे प्रशिक्षण सेटों से बड़े, आउट-ऑफ-डोमेन सिस्टम (20-60 परमाणु) तक सामान्यीकरण करने की मॉडल की क्षमता को प्रदर्शित करता है।

परिणाम

उम्मीदवारों की पहचान: स्क्रीन किए गए 2,519 सामग्रियों में से, 32 उम्मीदवारों की पहचान की गई जिनमें मजबूत शिफ्ट करंट प्रतिक्रिया ( $|\sigma_{abc}|_{max} > 100$ µA/V $^2$ ) थी।
IR क्षेत्र की खोज: HSE शोधन के बाद, 9 सामग्रियों ने पुष्टि की कि वे IR क्षेत्र के भीतर स्पष्ट शिफ्ट करंट पीक प्रदर्शित करती हैं। सबसे मजबूत उम्मीदवार, Sn $_5$ Ge $_2$ (SbTe $_5$ ) $_2$ (mp-1219067), 0.08 eV पर 616 µA/V $^2$ का पीक शिफ्ट करंट प्रदर्शित करता है (HSE स्तर पर), जो पहले से रिपोर्ट किए गए टोपोलॉजिकल सेमीमेटल TaAs से लगभग चार गुना अधिक है।
सामग्री के गुण: पहचाने गए IR उम्मीदवारों में ऊष्मप्रवैगिक रूप से स्थिर और मेटास्टेबल दोनों यौगिक शामिल हैं। अधिकांश ट्रिगोनल लेयर्ड संरचनाओं में क्रिस्टलीकृत होते हैं जिनमें इनवर्जन सिमेट्री टूटी हुई होती है। शिफ्ट करंट प्रतिक्रिया $C_{3v}$ सामग्रियों के लिए इन-प्लेन टेंसर घटकों (जैसे, $xxy, yxx, -yyy$) द्वारा हावी होती है।
स्पेक्ट्रल वितरण: शीर्ष 32 उम्मीदवारों में से, 9 IR प्रतिक्रिया दिखाते हैं, 18 दृश्य (VIS) प्रतिक्रिया दिखाते हैं, और 5 पराबैंगनी (UV) प्रतिक्रिया दिखाते हैं। HSE सुधार ने आम तौर पर PBE परिणामों की तुलना में शिफ्ट करंट पीक के परिमाण को कम किया और अनुनाद ऊर्जाओं को ब्लू-शिफ्ट किया।
मशीन लर्निंग प्रदर्शन: DPA3- $\sigma$ मॉडल ने $\sigma > 100$ µA/V $^2$ वाले उम्मीदवारों की स्क्रीनिंग के लिए 80.0% का रिकॉल और 80.0% की परिशुद्धता प्राप्त की। जब इसे जटिल प्रणालियों (>30 परमाणु) वाले MP डेटाबेस के एक उपसमुच्चय पर लागू किया गया, तो मॉडल ने सफलतापूर्वक दो नए उच्च-प्रतिक्रिया वाले उम्मीदवारों, Cs(Bi $_2$ Te $_3$ ) $_2$ और Sn(BiTe $_2$ ) $_2$ की पहचान की।

महत्व
यह शोध दावा करता है कि यह कार्य बल्क फोटोवोल्टिक प्रभावों के लिए दृश्य/पराबैंगनी स्पेक्ट्रम से इन्फ्रारेड क्षेत्र तक सामग्री के परिदृश्य का महत्वपूर्ण विस्तार करता है। मजबूत IR शिफ्ट करंट प्रतिक्रिया वाली सामग्रियों की पहचान करके, यह अध्ययन बाहरी बायस के बिना IR फोट डिटेक्शन, सेल्फ-पावर्ड सेंसिंग और ऊर्जा संचयन जैसे अनुप्रयोगों के लिए आशाजनक प्लेटफॉर्म प्रदान करता है। इसके अलावा, एक उच्च-गुणवत्ता वाले, बड़े पैमाने के प्रथम-सिद्धांत डेटासेट की स्थापना NLO अनुसंधान में एक महत्वपूर्ण अंतर को संबोधित करती है, जो भविष्य की डेटा-संचालित खोज और भविष्य कहने वाले मशीन लर्निंग मॉडल के विकास के लिए एक आधारभूत संसाधन के रूप में कार्य करती है। DPA3- $\sigma$ पाइपलाइन का सफल प्रदर्शन मानक DFT विधियों के साथ मूल्यांकन करने के लिए कम्प्यूटेशनल रूप से महंगी बड़ी-यूनिट-सेल वाली सामग्रियों की स्क्रीनिंग को तेज करने के लिए ट्रांसफर लर्निंग का उपयोग करने की व्यवहार्यता को दर्शाता है। लेखक इस बात पर जोर देते हैं कि हालांकि वर्तमान स्क्रीनिंग में स्पिन-ऑर्बिट कपलिंग (SOC) शामिल नहीं थी, पहचाने गए डिज़ाइन सिद्धांत (ध्रुवीय $C_{v}$ सममिति और भारी p-ब्लॉक केमिस्ट्री) भविष्य के अधिक विस्तृत जांच और प्रयोगात्मक सत्यापन के लिए एक स्पष्ट सूक्ष्म आधार प्रदान करते हैं।

इसी तरह के और पेपर