🔬 materials science

Composition-Based Machine Learning for Screening Superconducting Ternary Hydrides from a Curated Dataset

यह शोध पत्र एक क्यूरेटेड हाइड्राइड डेटासेट पर प्रशिक्षित एक एन्सेम्बल XGBoost मशीन लर्निंग दृष्टिकोण प्रस्तुत करता है, जो पूर्व संरचनात्मक जानकारी की आवश्यकता के बिना, उच्च दबाव पर Ca-Ti-H और Li-K-H जैसे आशाजनक तृतीयक (ternary) सुपरकंडक्टिंग उम्मीदवारों की प्रभावी ढंग से स्क्रीनिंग और पहचान करने के लिए है।

मूल लेखक: Kazuaki Tokuyama, Souta Miyamoto, Taichi Masuda, Katsuaki Tanabe

प्रकाशित 2026-05-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kazuaki Tokuyama, Souta Miyamoto, Taichi Masuda, Katsuaki Tanabe

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 शिकारी हैं जो एक ऐसे जादुई पदार्थ की तलाश में हैं जो बिजली का संचालन बिना किसी प्रतिरोध के (एक सुपरकंडक्टर) कमरे के तापमान के करीब कर सके। दशकों से, वैज्ञानिक जानते हैं कि हाइड्रोजन से भरे पदार्थ इसके सबसे अच्छे उम्मीदवार हैं, लेकिन अरबों संभावनाओं में से एक सटीक रेसिपी ढूँढना, आँखों पर पट्टी बाँधकर समुद्र तट पर रेत के एक विशिष्ट कण को ढूँढने जैसा है।

यह शोध पत्र एक नए, उच्च-तकनीकी "मेटल डिटेक्टर" का वर्णन करता है जिसे क्योटो विश्वविद्यालय के शोधकर्ताओं द्वारा इस खोज की गति बढ़ाने के लिए बनाया गया है। उन्होंने इसे कैसे किया, इसका विवरण रोजमर्रा की भाषा में यहाँ दिया गया है:

1. समस्या: भूसे के ढेर में सुई

वैज्ञानिक जानते हैं कि अत्यधिक दबाव (जैसे पृथ्वी के केंद्र में दबाव होता है) के तहत हाइड्रोजन को अन्य तत्वों के साथ मिलाने से सुपरकंडक्टर बन सकते हैं। हालाँकि, तत्वों के इतने सारे संभावित संयोजन (जैसे अलग-अलग फ्लेवर की आइसक्रीम मिलाना) हैं कि प्रयोगशाला में एक-एक करके उन सभी का परीक्षण करने में बहुत समय लगेगा और बहुत पैसा खर्च होगा।

2. समाधान: एक "भीड़ की बुद्धिमत्ता" वाला कंप्यूटर मॉडल

भौतिक रूप से सामग्रियों का परीक्षण करने के बजाय, टीम ने मशीन लर्निंग का उपयोग करके एक कंप्यूटर मस्तिष्क बनाया। लेकिन उन्होंने केवल एक मस्तिष्क नहीं बनाया; उन्होंने 30 मस्तिष्क वाली एक समिति बनाई।

प्रशिक्षण (The Training): उन्होंने इन 30 कंप्यूटर मॉडलों को हाइड्रोजन-आधारित सुपरकंडक्टर्स की लगभग 2,000 ज्ञात रेसिपीज़ की एक "कुकबुक" दी। इन रेसिपीज़ में यह विवरण भी शामिल था कि दबाव कितना उपयोग किया गया था और सामग्री कितनी गर्म हुई थी जब उसने सुपरकंडक्टिंग करना शुरू किया।
सामग्री (The Ingredients): मॉडलों को रेसिपी समझने में मदद करने के लिए, उन्होंने उन्हें प्रत्येक तत्व के लिए 22 "व्यक्तित्व लक्षणों" की एक सूची दी (जैसे कि परमाणु कितना बड़ा है, उसे इलेक्ट्रॉन खोने से कितनी नफरत है, आदि)।
समिति दृष्टिकोण (The Committee Approach): 30 थोड़े अलग मॉडलों को प्रशिक्षित करके, शोधकर्ता यह पूछ सकते थे, "क्या हम सब सहमत हैं?" यदि सभी 30 मॉडल एक विशिष्ट मिश्रण के लिए उच्च तापमान की भविष्यवाणी करते हैं, तो वे जानते थे कि यह एक मजबूत उम्मीदवार है। यदि मॉडल असहमत थे, तो वे जानते थे कि भविष्यवाणी संदिग्ध है। यह 30 अलग-अलग शेफ से यह पूछने जैसा है कि क्या एक नया व्यंजन स्वादिष्ट होगा; यदि वे सभी "हाँ" कहते हैं, तो आप सही दिशा में हैं।

3. खोज: रासायनिक ब्रह्मांड का स्कैन करना

टीम ने इस समिति का उपयोग 18 मिलियन संभावित नई रेसिपीज़ (दो धातुओं और हाइड्रोजन के संयोजन) के विशाल मानचित्र को स्कैन करने के लिए किया। उन्होंने इन रेसिपीज़ को तीन अलग-अलग स्तरों के "दबाव" के तहत देखा: 100, 200, और 300 गीगापास्कल (GPa)।

उन्होंने केवल उच्चतम संख्या की तलाश नहीं की; उन्होंने सबसे सुरक्षित दांव की तलाश की। उन्होंने पूछा, "इस सामग्री का न्यूनतम तापमान क्या हो सकता है, भले ही हमारे मॉडल थोड़े अनिश्चित हों?" इसने यह सुनिश्चित किया कि वे एक ऐसा विजेता न चुनें जो बाद में हारने वाला साबित हो।

4. खोजें: नए फ्लेवर जिन्हें किसी ने नहीं आज़माया

कंप्यूटर ने कई आशाजनक नई रेसिपीज़ खोजीं जो मूल कुकबुक में नहीं थीं। ये "ब्लाइंड" खोजें थीं। कुछ शीर्ष नई खोजों में शामिल हैं:

कैल्शियम + टाइटेनियम + हाइड्रोजन
लिथियम + पोटेशियम + हाइड्रोजन
सोडियम + मैग्नीशियम + हाइड्रोजन

मॉडलों ने भविष्यवाणी की कि ये मिश्रण बहुत उच्च तापमान (कुछ मामलों में दबाव के आधार पर 200°C से 300°C से अधिक) पर सुपरकंडक्ट कर सकते हैं, भले ही कंप्यूटर ने पहले कभी इन विशिष्ट संयोजनों को नहीं देखा था।

5. कंप्यूटर ने क्या सीखा

शोधकर्ताओं ने यह देखने के लिए "हुड के नीचे झाँका" कि कंप्यूटर इन रेसिपीज़ को क्यों पसंद कर रहा था। यह पता चला कि मॉडल बहुत तार्किक चीजों पर ध्यान दे रहे थे, जैसे कि:

आयनीकरण ऊर्जा (Ionization Energy): परमाणु से इलेक्ट्रॉन को खींचना कितना कठिन है।
परमाणु त्रिज्या (Atomic Radius): परमाणु कितना बड़ा है।

इसने पुष्टि की कि कंप्यूटर केवल अनुमान नहीं लगा रहा था; यह वास्तविक भौतिक नियमों को सीख रहा था कि हाइड्रोजन-समृद्ध वातावरण में परमाणु कैसे बंधते हैं।

6. एक पेच (जो शोध पत्र नहीं कहता है)

यह ध्यान रखना महत्वपूर्ण है कि इस अध्ययन ने क्या नहीं किया:

उन्होंने अभी तक प्रयोगशाला में इन सामग्रियों को बनाया नहीं है।
उन्होंने यह सिद्ध नहीं किया है कि ये सामग्रियां स्थिर या सुरक्षित हैं।
उन्होंने सटीक क्रिस्टल संरचना (परमाणुओं का 3D आकार) की गणना नहीं की है।

यह शोध पत्र इसे एक स्क्रीनिंग टूल के रूप में वर्णित करता है। इसे एक फिल्टर के रूप में समझें जो 18 मिलियन रेत के कणों को छानकर शीर्ष 10 को निकाल देता है जो सोने की तरह दिखते हैं। अगला चरण—वास्तव में उन्हें खोदकर यह परीक्षण करना कि क्या वे असली सोना हैं—एक बहुत ही अलग, बहुत अधिक महंगी और समय लेने वाली प्रक्रिया (क्वांटम भौतिकी सिमुलेशन का उपयोग करके) की आवश्यकता रखता है, जैसा कि लेखकों ने कहा है कि यह भविष्य के शोध के लिए एक काम है।

संक्षेप में: शोधकर्ताओं ने एक स्मार्ट, सर्वसम्मति-आधारित कंप्यूटर सिस्टम बनाया जिसने सफलतापूर्वक शून्य से नए, उच्च-क्षमता वाले हाइड्रोजन सुपरकंडक्टर रेसिपी की भविष्यवाणी की, जिससे प्रयोगात्मक वैज्ञानिकों को खुदाई शुरू करने के लिए सबसे आशाजनक स्थानों की एक संक्षिप्त सूची मिल गई।

तकनीकी सारांश: सुपरकंडक्टिंग टर्नरी हाइड्राइड्स की स्क्रीनिंग के लिए संरचना-आधारित मशीन लर्निंग

समस्या विवरण
कम तापमान वाले कमरे के तापमान के सुपरकंडक्टर्स (room-temperature superconductors) की खोज तेजी से हाइड्रोजन-समृद्ध सामग्रियों पर केंद्रित हो गई है, जो ऐशक्रॉफ्ट के धात्विक हाइड्रोजन (metallic hydrogen) के सिद्धांत से प्रेरित है। जबकि द्विआधारी (binary) हाइड्राइड्स जैसे H $_3$ S और LaH $_{10}$ ने उच्च सुपरकंडक्टिंग ट्रांजिशन तापमान ( $T_c$ ) प्रदर्शित किया है, उनकी स्थिरता अक्सर अत्यधिक दबाव (जैसे, >150 GPa) तक सीमित होती है। हाल के सैद्धांतिक प्रयासों से पता चलता है कि "केमिकल कंप्रेशन" (chemical compression) के माध्यम से टर्नरी या मल्टीनरी हाइड्राइड्स कम दबाव पर सुपरकंडक्टिंग चरणों को स्थिर कर सकते हैं। हालांकि, टर्नरी हाइड्राइड्स का कंपोजिशनल स्पेस (compositional space) अत्यंत विशाल है, जिससे प्रायोगिक या प्रथम-सिद्धांत घनत्व कार्यात्मक सिद्धांत (DFT) गणनाओं के माध्यम से संपूर्ण अन्वेषण करना अत्यधिक संसाधन-गहन हो जाता है। महंगी संरचनात्मक पुष्टि (structural validation) के लिए प्रतिबद्ध होने से पहले आशाजनक उम्मीदवार संरचनाओं की पहचान करने के लिए कुशल स्क्रीनिंग टूल की आवश्यकता है।

कार्यप्रणाली
लेखक एक संरचना-अज्ञेय (structure-agnostic), संरचना-आधारित मशीन लर्निंग (ML) ढांचे का प्रस्ताव करते हैं जिसे उच्च दबाव (100, 200, और 300 GPa) पर टर्नरी हाइड्राइड्स की स्क्रीनिंग के लिए डिज़ाइन किया गया है।

डेटासेट क्यूरेशन: 2,059 द्विआधारी और टर्नरी हाइड्राइड प्रविष्टियों (2007–2024) का एक डेटासेट क्यूरेट किया गया, जिसमें रासायनिक सूत्र, लागू दबाव और $T_c$ मान शामिल हैं। डेटा स्रोतों को प्राथमिकता दी गई: प्रायोगिक मान, एलिएशबर्ग थ्योरी (Eliashberg theory) गणनाएं, और एलन-डायन्स (Allen–Dynes) फॉर्मूला अनुमान।
फीचर इंजीनियरिंग: मॉडल विशेष रूप से संरचना-आधारित डिस्क्रिप्टर्स (descriptors) पर निर्भर करता है, जो पूर्व-निर्धारित क्रिस्टल संरचनाओं की आवश्यकता को समाप्त करता है। प्रत्येक यौगिक के लिए, 22 तत्व-विशिष्ट भौतिक-रासायनिक डिस्क्रिप्टर्स (जैसे, आयनीकरण ऊर्जा, परमाणु त्रिज्या, विद्युत ऋणात्मकता) को pymatgen और Mendeleev लाइब्रेरी से निकाला गया। इन डिस्क्रिप्टर्स को 220 कंपोजिशनल फीचर्स (भारित योग, माध्य, रेंज और चरम मानों सहित) और दबाव मान के साथ 221 इनपुट फीचर्स में परिवर्तित किया गया।
मॉडल चयन और प्रशिक्षण: एक नेस्टेड 5-फोल्ड क्रॉस-वैलिडेशन प्रोटोकॉल का उपयोग करके कई रिग्रेशन एल्गोरिदम (Ridge, SVR, Decision Tree, Random Forest, Gradient Boosting, XGBoost) का मूल्यांकन किया गया। बेहतर प्रदर्शन (न्यूनतम RMSE और उच्चतम $R^2$ ) के कारण XGBoost (XGB) को इष्टतम मॉडल के रूप में चुना गया।
एन्सेम्बल दृष्टिकोण: मजबूती सुनिश्चित करने और अनिश्चितता को मापने के लिए, 30 स्वतंत्र रूप से प्रशिक्षित XGB मॉडलों (विभिन्न रैंडम सीड्स का उपयोग करके) का एक एन्सेम्बल बनाया गया। नए कंपोजिशन के लिए भविष्यवाणियों का मूल्यांकन एन्सेम्बल के माध्य (mean) और 95% कॉन्फिडेंस इंटरवल (CI) के आधार पर किया गया।
स्क्रीनिंग प्रोटोकॉल: एन्सेम्बल ने एक टर्नरी कंपोजिशन ग्रिड में 18 मिलियन से अधिक अद्वितीय A–B–H कंपोजिशन की स्क्रीनिंग की (जहाँ A और B परमाणु संख्या 2–90 तक फैले हुए हैं)। उम्मीदवारों को मजबूत भविष्यवाणियों को प्राथमिकता देने के लिए अनुमानित 95% CI के निचले स्तर (lower bound) द्वारा रैंक किया गया।

मुख्य परिणाम

मॉडल प्रदर्शन: चयनित XGB एन्सेम्बल ने 9.2 K का ट्रेनिंग RMSE और 5.2 K का MAE प्राप्त किया। टेस्ट सेट पर (नेस्टेड CV के माध्यम से), मॉडल ने 0.80 $\pm$ 0.04 का $R^2$ और 38.5 $\pm$ 3.8 K का RMSE प्राप्त किया। एन्सेम्बल का मानक विचलन (standard deviation) भविष्यवाणियों की त्रुटियों के साथ सकारात्मक रूप से सह-संबंधित पाया गया (पियर्सन $r$ = 0.82), जो एक विश्वास प्रॉक्सी (confidence proxy) के रूप में इसके उपयोग को प्रमाणित करता है।
फीचर महत्व: 30 मॉडलों के विश्लेषण से पता चला कि आयनीकरण ऊर्जा, परमाणु त्रिज्या और संयोजकता इलेक्ट्रॉन गणना (valence electron count) लगातार सबसे महत्वपूर्ण फीचर्स रहे। यह हाइड्रोजन-समृद्ध प्रणालियों में बॉन्डिंग स्ट्रेंथ और इलेक्ट्रॉनिक संरचना के संबंध में रासायनिक अंतर्ज्ञान के अनुरूप है।
स्क्रीनिंग परिणाम: स्क्रीनिंग ने कई उच्च-स्कोरिंग कंपोजिशनल सिस्टम की पहचान की।
- शीर्ष उम्मीदवार: 100, 200, और 300 GPa पर, शीर्ष उम्मीदवारों में Be $_{10}$ Lu $_{10}$ H $_{80}$ , Ca $_5$ Hf $_5$ H $_{90}$ , और Li $_{10}$ Ca $_5$ H $_{85}$ शामिल थे।
- एक्सट्रैपोलेटिव खोजें (Extrapolative Discoveries): महत्वपूर्ण रूप से, मॉडल ने उन आशाजनक प्रणालियों की पहचान की जहाँ A–B तत्व युग्म प्रशिक्षण डेटासेट में मौजूद नहीं थे। उल्लेखनीय उदाहरणों में Ca–Ti–H, Li–K–H, और Na–Mg–H शामिल हैं।
- विशिष्ट हाइलाइट: Ca–Ti प्रणाली तीनों दबाव स्थितियों में शीर्ष 10 में दिखाई दी, जिसमें अनुमानित निचला CI $T_c$ मान 100 GPa पर 230 K से अधिक और 300 GPa पर 295 K को पार कर गया। अनुमानित स्टोइकीओमेट्री (stoichiometry) Ca $_5$ Ti $_5$ H $_{90}$ असाधारण रूप से उच्च हाइड्रोजन सामग्री प्रदर्शित करती है।

महत्व और दावे
यह शोध दावा करता है कि एन्सेम्बल-आधारित मशीन लर्निंग, हाइड्रोजन-समृद्ध सुपरकंडक्टिंग हाइड्राइड्स के विशाल रासायनिक स्थान के भीतर आशाजनक क्षेत्रों की पहचान करने के लिए एक प्रभावी प्राथमिक स्क्रीनिंग टूल के रूप में कार्य करता है। यह अध्ययन दर्शाता है कि:

केवल संरचना-आधारित स्क्रीनिंग व्यवहार्य है: उच्च-सटीकता वाली $T_c$ भविष्यवाणियां बिना किसी स्पष्ट संरचनात्मक जानकारी के प्राप्त की जा सकती हैं, जिससे उन रासायनिक स्थानों का तेजी से अन्वेषण संभव होता है जहाँ स्थिर क्रिस्टल संरचनाएं अज्ञात हैं।
एन्सेमबल्स के माध्यम से मजबूती: मॉडलों के एन्सेम्बल का उपयोग करने से भविष्यवाणियों की निरंतरता का सांख्यिकीय मूल्यांकन करने की अनुमति मिलती है, जो एक मीट्रिक (CI का निचला स्तर) प्रदान करता है जो अनिश्चित भविष्यवाणियों को फ़िल्टर करता है।
नवीन प्रणालियों की खोज: दृष्टिकोण ने उच्च-क्षमता वाले टर्नरी हाइड्राइड्स (जैसे, Ca–Ti–H) को एक्सट्रैपोलेट करने में सफलता प्राप्त की जो प्रशिक्षण डेटा में अनुपस्थित थे, जो यह सुझाव देता है कि मॉडल केवल याद रखने (memorization) के बजाय अंतर्निहित भौतिक-रासायनिक रुझानों को पकड़ता है।

लेखक स्पष्ट रूप से कहते हैं कि यह कार्य एक "प्राथमिक स्क्रीनिंग" चरण के रूप में है। वे स्वीकार करते हैं कि यह विधि संरचनात्मक समरूपता (structural symmetries) या गतिशील स्थिरता (dynamical stability) को शामिल नहीं करती है, जिसके लिए अलग, संसाधन-गहन DFT और फोनन गणनाओं की आवश्यकता होती है। इसलिए, पहचाने गए उम्मीदवारों को प्रायोगिक वास्तविकता से पहले व्यक्तिगत स्थिरता और गतिशील गुणों के सत्यापन की आवश्यकता है। यह ढांचा उच्च- $T_c$ सुपरकंडक्टर्स की खोज को गति देने के लिए एक स्केलेबल मार्ग के रूप में प्रस्तुत किया गया है, जो डेटा-संचालित स्क्रीनिंग और सूक्ष्म सिद्धांत (microscopic theory) के बीच के अंतर को पाटता है।