🔬 materials science

ML-guided screening of chalcogenide perovskites as solar energy materials

यह अध्ययन एक व्यापक, डेटा-संचालित ढांचे को प्रस्तुत करता है जो अगली पीढ़ी के सौर ऊर्जा अनुप्रयोगों के लिए स्थिर, प्रयोगात्मक रूप से व्यवहार्य चाल्कोजेनाइड पेरोव्स्काइट्स की स्क्रीनिंग और रैंकिंग करने हेतु मशीन लर्निंग, एक नवीन SISSO-व्युत्पन्न टॉलरेंस फैक्टर और स्थिरता मेट्रिक्स को एकीकृत करता है।

मूल लेखक: Diego A. Garzón, Lauri Himanen, Luisa Andrade, Sascha Sadewasser, José A. Márquez

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Diego A. Garzón, Lauri Himanen, Luisa Andrade, Sascha Sadewasser, José A. Márquez

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 नए, उत्तम केक का आविष्कार करने की कोशिश कर रहे एक मास्टर शेफ हैं। आप बुनियादी रेसिपी जानते हैं: मैदा, चीनी, अंडे और मक्खन। लेकिन आप एक ऐसा चॉकलेट केक बनाना चाहते हैं जो शाकाहारी (vegan) भी हो और ग्लूटेन-मुक्त (gluten-free) भी। समस्या यह है कि सामग्रियों के लाखों संभावित संयोजन हो सकते हैं। यदि आप उनमें से हर एक को बनाने की कोशिश करेंगे, तो आप अपने किचन को जला देंगे और विजेता खोजने से पहले ही सारा पैसा खत्म कर देंगे।

यह बिल्कुल वही समस्या है जिसका सामना वैज्ञानिक सौर पैनलों के लिए नए पदार्थों की खोज करते समय करते हैं। वे एक विशिष्ट प्रकार के क्रिस्टल की तलाश कर रहे हैं जिसे चैल्कोजेनाइड पेरोव्स्काइट (chalcogenide perovskite) कहा जाता है। इन्हें सौर जगत के "सुपर-केक" के रूप में सोचें—ये सौर ऊर्जा को अविश्वसनीय रूप से कुशलता से पकड़ सकते हैं, लंबे समय तक चल सकते हैं, और सुरक्षित, पर्यावरण के अनुकूल सामग्री से बनाए जा सकते हैं। लेकिन सही रेसिपी खोजना बहुत कठिन है क्योंकि कई सामग्रियां जो कागज़ पर काम करती हुई दिखती हैं, वास्तव में उन्हें पकाने पर एक बेकार कचरे (जैसे कि एक ईंट) में बदल जाती हैं।

यह शोध पत्र इस बारे में है कि कैसे वैज्ञानिकों की एक टीम ने सबसे अच्छी सौर केक रेसिपी खोजने के लिए, उन्हें पहले से बेक किए बिना ही, एक सुपर-स्मार्ट, AI-संचालित "रेसिपी फ़िल्टर" बनाया।

उनका "किचन" चरण-दर-चरण इस प्रकार काम करता है:

1. नया "टेस्ट टेस्ट" (SISSO टॉलरेंस फैक्टर)

पारंपरिक रूप से, शेफ (वैज्ञानिक) यह मापने के लिए एक साधारण रूलर का उपयोग करते थे कि सामग्रियां आपस में फिट बैठेंगी या नहीं। उनके पास एक नियम था जिसे "गोल्डश्मिटेड टॉलरेंस फैक्टर" कहा जाता था। यह यह कहने जैसा था कि, "यदि अंडे कटोरे के लिए बहुत बड़े हैं, तो उनका उपयोग न करें।"

समस्या: यह पुराना रूलर बहुत ही साधारण था। इसने कई ऐसी सामग्रियों को अंदर आने दिया जो कागज़ पर तो ठीक लग रही थीं, लेकिन ओवन में विफल हो गईं।
समाधान: टीम ने हजारों पिछली रेसिपी का अध्ययन करने के लिए एक AI एल्गोरिदम (जिसे SISSO कहा जाता है) का उपयोग किया। उन्होंने एक नया, अत्यंत सटीक टेस्ट (जिसे $\tau^*$ कहा जाता है) बनाया।
उपमा: केवल अंडे के आकार को मापने के बजाय, यह नया टेस्ट सामग्रियों के "व्यक्तित्व" की जांच करता है। यह पूछता है, "क्या ये विशिष्ट परमाणु वास्तव में एक-दूसरे को इतना पसंद करते हैं कि वे हाथ पकड़ सकें और एक स्थिर संरचना बना सकें?" यह नया टेस्ट "खराब अंडों" को मिक्सिंग बाउल में जाने से पहले ही पहचानने में बहुत बेहतर है।

2. "वर्चुअल बेकर" (CrystaLLM)

एक बार जब AI ने खराब सामग्रियों को फ़िल्टर कर दिया, तो उनके पास आशाजनक रेसिपी की एक सूची बच गई। लेकिन केवल सही सामग्रियां होने का मतलब यह नहीं है कि केक ज़रूर फूलेगा।

समस्या: कभी-कभी, अच्छी सामग्रियों के साथ भी, बैटर एक अजीब आकार (नॉन-पेरोव्स्काइट संरचना) में जम जाता है, बजाय उस सटीक क्यूब आकार के जिसकी सौर ऊर्जा के लिए आवश्यकता होती है।
समाधान: उन्होंने CrystaLLM नामक एक जेनेरेटिव AI मॉडल का उपयोग किया। इसे एक "वर्चुअल बेकर" के रूप में सोचें जिसने लाखों कुकबुक पढ़ी हैं। यह सामग्रियों की सूची को देखता है और तुरंत "कल्पना" करता है कि यदि इसे पकाया गया तो केक कैसा दिखेगा।
परिणाम: वर्चुअल बेकर ने कहा, "हे, यह संयोजन एक केक के बजाय एक ईंट जैसा दिख सकता है!" इसने उन रेसिपी को फ़िल्टर कर दिया जो गलत आकार बनाएंगी, जिससे केवल वे रेसिपी बचीं जो संभवतः पूर्ण सौर-क्रिस्टल संरचना बनाएंगी।

3. "कलर प्रेडिक्टर" (बैंडगैप एस्टीमेशन)

अब उनके पास उन केक की सूची है जो काम कर सकते हैं। लेकिन क्या केक का रंग सही है?

अवधारणा: सौर पैनलों को प्रकाश के विशिष्ट रंगों (जैसे लाल या नीला) को अवशोषित करने की आवश्यकता होती है ताकि बिजली बनाई जा सके। यदि सामग्री गलत रंग को अवशोषित करती है, तो वह बेकार है।
समाधान: उन्होंने केवल सामग्रियों को देखकर सामग्री के "रंग" (बैंडगैप) की भविष्यवाणी करने के लिए दूसरे AI (CrabNet) का उपयोग किया।
उपमा: यह भविष्यवाणी करने जैसा है कि बहुत अधिक कोको वाला केक बहुत गहरा होगा (बहुत अधिक प्रकाश सोख लेगा) या बहुत अधिक चीनी वाला केक बहुत हल्का होगा (बहुत कम प्रकाश सोखेगा)। उन्होंने उन "गोल्डिलॉक्स" रेसिपी को चुना जो सौर प्रकाश की एकदम सही मात्रा को अवशोषित करती हैं।

4. "नैतिक और आर्थिक जांच" (सस्टेनेबिलिटी)

अंत में, भले ही एक केक का स्वाद शानदार हो और वह दिखने में भी उत्तम हो, क्या आप वास्तव में उसकी सामग्रियां खरीद सकते हैं?

समस्या: क्या होगा यदि रेसिपी के लिए "अनऑब्टेनियम" या किसी दुर्लभ तत्व की आवश्यकता है जो केवल किसी युद्धग्रस्त देश में मौजूद है? वह भविष्य के लिए एक खराब रेसिपी है।
समाधान: उन्होंने एक "सस्टेनेबिलिटी स्कोर" जोड़ा। उन्होंने जांचा:
- आपूर्ति जोखिम (Supply Risk): क्या यह सामग्री दुर्लभ या कठिन है? (जैसे सूखे के दौरान ट्रफल्स ढूंढना)।
- विषाक्तता (Toxicity): क्या यह सुरक्षित है? (कोई लेड या रेडियोधर्मी यूरेनियम नहीं)।
- लागत (Cost): क्या यह किफायती है?
परिणाम: उन्होंने केक को केवल स्वाद के आधार पर नहीं, बल्कि इस आधार पर भी रैंक किया कि उन्हें पूरी दुनिया के लिए बनाना कितना आसान और सुरक्षित होगा।

अंतिम मेनू

इन सभी फिल्टरों को चलाने के बाद, टीम ने केवल एक विजेता नहीं खोजा; उन्होंने सबसे अच्छे उम्मीदवारों की एक शॉर्टलिस्ट खोजी।

द स्टार: उन्होंने पुष्टि की कि BaZrS3 (एक ज्ञात सामग्री) अभी भी एक शीर्ष दावेदार है, विशेष रूप से हाई-एंड सौर पैनलों के लिए।
द न्यू स्टार्स: उन्होंने कई नई, अनछुए रेसिपी (जैसे CuHfS3 और EuYbSe3) की खोज की जो अविश्वसनीय रूप से आशाजनक दिखती हैं। ये वे "गुप्त रेसिपी" हैं जिन्हें अभी तक किसी ने आजमाया नहीं है, लेकिन AI कहता है कि ये अगली बड़ी चीज़ हो सकती हैं।

यह क्यों महत्वपूर्ण है

इस शोध पत्र से पहले, इन सामग्रियों को खोजना घास के ढेर में सुई खोजने जैसा था, जहाँ आप हर घास के तिनके को छड़ी से कुरेदते थे। यह धीमा, महंगा और निराशाजनक था।

यह शोध पत्र एक नया तरीका दिखाता है: AI का उपयोग करके घास के ढेर को देखें, भविष्यवाणी करें कि कौन से टुकड़े सुई हो सकते हैं, और केवल उन्हीं को कुरेदें जिनकी सबसे अधिक संभावना है।

वे यह नहीं कह रहे हैं, "हमने एक आदर्श सौर पैनल बना लिया है।" वे कह रहे हैं, "यहाँ उन शीर्ष 30 रेसिपी की सूची है जिन्हें आपको अपने लैब में पहले पकाने की कोशिश करनी चाहिए।" यह समय, पैसा और ऊर्जा बचाता है, जिससे हमें सौर ऊर्जा सस्ती, स्वच्छ और अधिक कुशल भविष्य की ओर ले जाने में मदद मिलती है।

यहाँ गारज़ोन (Garzón) और अन्य द्वारा लिखित शोध पत्र "ML-guided screening of chalcogenide perovskites as solar energy materials" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

चाल्कोजेनाइड पेरोव्स्किट्स (ABX₃ जहाँ X = S, Se, Te) अपनी अंतर्निहित स्थिरता, ट्यूनेबल इलेक्ट्रो-ऑप्टिक गुणों और विषाक्त तत्वों की अनुपस्थिति (लीड-हैलाइड पेरोव्स्किट्स के विपरीत) के कारण अगली पीढ़ी के फोटोवोल्टिक्स के लिए आशाजनक उम्मीदवार हैं। हालाँकि, इनका प्रयोगात्मक कार्यान्वयन गंभीर रूप से सीमित है क्योंकि:

प्रतिस्पर्धी चरण (Competing Phases): बाइनरी और पॉलीसल्फाइड चरणों की उच्च ऊष्मप्रवैगिकी (thermodynamic) स्थिरता अक्सर वांछित पेरोव्स्काइट संरचना के निर्माण को रोकती है।
संरचनात्मक बहुरूपता (Structural Polymorphism): गैर-पेरोव्स्काइट संरचनाओं (जैसे, एज-शेयरिंग अष्टफलक) का अस्तित्व जो रासायनिक रूप से समान हैं लेकिन इलेक्ट्रो-ऑप्टिक रूप से निम्न स्तर के हैं।
संश्लेषणात्मक चुनौतियाँ (Synthetic Challenges): उच्च संश्लेषण तापमान और स्केलिंग में कठिनाइयाँ।
भविचारण-वास्तविकता अंतराल (Prediction-Reality Gap): शास्त्रीय ज्यामितीय डिस्क्रिप्टर (जैसे, गोल्डस्मिट टॉलरेंस फैक्टर) ऑक्साइड या हैलाइड्स की तुलना में बढ़ी हुई सहसंयोजकता (covalency) के कारण चाल्कोजेनाइड्स में चरण स्थिरता की सटीक भविष्यवाणी करने में विफल रहते हैं। इसके अलावा, हाई-थ्रूपुट डेंसिटी फंक्शनल थ्योरी (DFT) गणनाएँ कम्प्यूटेशनल रूप से महंगी हैं और हमेशा प्रयोगात्मक संश्लेषण क्षमता के साथ सह-संबंध नहीं रखती हैं।

2. कार्यप्रणाली: एक बहु-चरणीय ML स्क्रीनिंग पाइपलाइन (Methodology: A Multi-Stage ML Screening Pipeline)

लेखक एक पूर्णतः डेटा-संचालित, प्रयोगात्मक रूप से आधारित स्क्रीनिंग फ्रेमवर्क का प्रस्ताव करते हैं जो काल्पनिक चाल्कोजेनाइड पेरोव्स्किट्स के रासायनिक स्थान को नेविगेट करने के लिए व्याख्या योग्य विश्लेषणात्मक डिस्क्रिप्टर, जनरेटिव मॉडल और मशीन लर्निंग (ML) को एकीकृत करता है। यह पाइपलाइन चार क्रमिक चरणों से बनी है:

**A. एक नए टॉलरेंस फैक्टर ( $\tau^*$ ) का व्युत्पत्ति**

दृष्टिकोण: शास्त्रीय ज्यामितीय कारकों पर निर्भर रहने के बजाय, लेखकों ने एक नया विश्लेषणात्मक डिस्क्रिप्टर व्युत्पन्न करने के लिए SISSO (Sure Independence Screening and Sparsifying Operator) एल्गोरिदम का उपयोग किया।
डेटा: इसे प्रयोगात्मक रूप से रिपोर्ट किए गए हैलाइड और चाल्कोजेनाइड ABX₃ यौगिकों (पेरोव्स्काइट और गैर-पेरोव्स्काइट दोनों चरणों) के क्यूरेटेड डेटासेट पर प्रशिक्षित किया गया।
डिस्क्रिप्टर: परिणामी सूत्र, $\tau^*$ , सहसंयोजकता और संरचनात्मक विषमता को ध्यान में रखने के लिए उच्च-क्रम के पदों और लॉगरिदमिक साइज-मिसमैच टर्म्स के साथ आयनिक त्रिज्या ( $r_A, r_B, r_X$ ) को शामिल करता है।
मानदंड: पेरोव्स्काइट स्थिरता को $\tau^* < 0.846$ के रूप में परिभाषित किया गया है।

B. जनरेटिव क्रिस्टल स्ट्रक्चर प्रेडिक्शन

टूल: CrystaLLM, एक लार्ज लैंग्वेज मॉडल जिसे 30 लाख से अधिक DFT-व्युत्पन्न क्रिस्टल संरचनाओं पर प्रशिक्षित किया गया है।
कार्य: यह उन संरचनाओं के लिए क्रिस्टलोग्राफिक सूचना फ़ाइलें (CIFs) उत्पन्न करता है जो $\tau^*$ फ़िल्टर को पास करती हैं।
फिल्टरिंग: उत्पन्न संरचनाओं का विश्लेषण यह सुनिश्चित करने के लिए किया जाता है कि वे पेरोव्स्किट्स के लिए आवश्यक विशिष्ट कॉर्नर-शेयरिंग $BX_6$ ऑक्टाहेड्रल टोपोलॉजी को अपनाते हैं, जिससे एज-शेयरिंग मोटिफ्स (जो $Pnma$ स्पेस ग्रुप में सामान्य हैं) को बाहर निकाला जा सके जो वास्तविक पेरोव्स्किट्स नहीं हैं।

C. बैंडगैप अनुमान (Bandgap Estimation)

टूल: CrabNet, एक कंपोजिशन-आधारित डीप लर्निंग मॉडल जो अटेंशन मैकेनिज्म का उपयोग करता है।
प्रशिक्षण: सामान्यीकरण सुनिश्चित करने के लिए हाइब्रिड हैलाइड पेरोव्स्किट्स, चाल्कोजेनाइड पेरोव्स्किट्स और चाल्कोजेनाइड सेमीकंडक्टर्स के विविध डेटासेट पर प्रशिक्षित किया गया।
आउटपुट: 54 संरचनात्मक रूप से मान्य उम्मीदवारों के लिए ऑप्टिकल बैंडगैप ( $E_g$ ) की भविष्यवाणी करता है।

D. प्रयोगात्मक व्यवहार्यता और स्थिरता मूल्यांकन

संश्लेषण क्षमता (Synthesizability): एक पूर्व-प्रशिक्षित ग्राफ कन्वोल्यूशनल न्यूरल नेटवर्क (GCNN) का उपयोग करके क्रिस्टल-लाइकनेस स्कोर (CLS) की गणना करता है। यह PU (Positive-Unlabeled) लर्निंग दृष्टिकोण ज्ञात सिंथेसाइज्ड क्रिस्टल के आधार पर किसी संरचना के प्रयोगात्मक रूप से साकार होने की संभावना की भविष्यवाणी करता है।
स्थिरता (Sustainability): मार्केट कंसंट्रेशन के लिए हेरफिंडल-हर्शमैन इंडेक्स (HHI) और वर्ल्ड बैंक डेटा से ESG स्कोर का उपयोग करके सप्लाई रिस्क (SR) की गणना करता है।
बहु-उद्देश्यीय रैंकिंग: बैंडगैप विचलन, सप्लाई रिस्क और सिंथेसिजबिलिटी को संतुलित करते हुए सिंगल-जंक्शन ( $E_{opt} \approx 1.34$ eV) और टैंडम ( $E_{opt} \approx 1.71$ eV) फोटोवोल्टिक आर्किटेक्चर के लिए उपयुक्तता के आधार पर उम्मीदवारों को रैंक किया जाता है।

3. प्रमुख योगदान (Key Contributions)

नया डिस्क्रिप्टर ( $\tau^*$ ): एक SISSO-व्युत्पन्न टॉलरेंस फैक्टर पेश किया गया जो प्रयोगात्मक डेटा पर 91.2% सटीकता और 95.0% शुद्धता (precision) प्राप्त करते हुए, स्थापित मेट्रिक्स (Goldscheid, Jess, Bartel) की तुलना में पेरोव्स्काइट स्थिरता की बेहतर भविष्यवाणी करता है।
हाइब्रिड स्क्रीनिंग रणनीति: एक हस्तांतरणीय वर्कफ़्लो का प्रदर्शन किया गया जो ज्यामितीय स्थिरता, जनरेटिव स्ट्रक्चरल प्रेडिक्शन और प्रयोगात्मक व्यवहार्यता स्कोरिंग को जोड़ता है, जिससे महंगी DFT गणनाओं पर निर्भरता कम होती है।
स्थिरता एकीकरण: उच्च-प्रदर्शन वाले पदार्थों के साथ-साथ स्केलेबल और टिकाऊ सामग्रियों की पहचान करने के लिए सामग्री खोज पाइपलाइन में सामाजिक-आर्थिक आपूर्ति जोखिम मेट्रिक्स को शामिल करने की शुरुआत की गई।
नए उम्मीदवारों की पहचान: फोटोवोल्टिक अनुप्रयोगों के लिए उच्च क्षमता वाले कई पहले से अनएक्सप्लोर्ड चाल्कोजेनाइड पेरोव्स्किट्स की पहचान की गई।

4. मुख्य परिणाम (Key Results)

$\tau^*$ का प्रदर्शन: नए डिस्क्रिप्टर ने $t_{Jess}$ और $t_{Bartel}$ की तुलना में फॉल्स पॉजिटिव को काफी कम कर दिया, जबकि उच्च रिकॉल बनाए रखा। इसने 1,392 संभावित उम्मीदवारों में से 181 कंपोजिशन के लिए स्थिरता विंडो को सही ढंग से पहचाना।
संरचनात्मक परिशोधन (Structural Refinement): कॉर्नर-शेयरिंग टोपोलॉजी को सत्यापित करने के लिए CrystaLLM लागू करने के बाद, उम्मीदवारों का पूल घटकर 54 यौगिकों तक रह गया।
बैंडगैप विश्लेषण: 54 उम्मीदवारों ने औसत बैंडगैप 1.86 eV प्रदर्शित किया, जो टैंडम कॉन्फ़िगरेशन के लिए टॉप सेल्स के लिए आदर्श है। मॉडल ने टेस्ट सेट पर 248 meV का मीन एब्सोल्यूट एरर (MAE) दिखाया।
शीर्ष उम्मीदवार:
- BaZrS₃ बेंचमार्क बना हुआ है, जो टैंडम सेल्स के लिए इष्टतम गुण दिखाता है।
- नए आशाजनक पदार्थ: CuHfS₃, CuZrSe₃, EuYbSe₃, EuScS₃, और LaTbS₃ को उच्च-प्राथमिकता वाले लक्ष्यों के रूप में पहचाना गया।
- संश्लेषण क्षमता: अधिकांश शीर्ष उम्मीदवारों का क्रिस्टल-लाइकनेस स्कोर (CLS) > 0.88 था, जो ज्ञात सिंथेसाइज्ड सामग्रियों के साथ उच्च सांख्यिकीय समानता को दर्शाता है।
ट्रेड-ऑफ (Trade-offs): जबकि दुर्लभ-पृथ्वी (rare-earth) आधारित यौगिकों (जैसे, Eu, Tb) ने उत्कृष्ट ज्यामितीय और इलेक्ट्रॉनिक गुण दिखाए, वे अक्सर उच्च सप्लाई रिस्क भी रखते थे। कॉपर-आधारित यौगिक (जैसे, CuHfS₃) कम सप्लाई रिस्क और उपयुक्त बैंडगैप के बीच बेहतर संतुलन प्रदान करते हैं।

5. महत्व (Significance)

यह कार्य सामग्री खोज में उस महत्वपूर्ण बाधा को संबोधित करता है जहाँ सैद्धांतिक भविष्यवाणियाँ अक्सर प्रयोगात्मक वास्तविकता में बदलने में विफल रहती हैं। व्याख्या योग्य भौतिकी-आधारित डिस्क्रिप्टर को जनरेटिव AI और सामाजिक-आर्थिक बाधाओं के साथ एकीकृत करके, लेखक "रासायनिक रूप से बाधित" स्थानों में नई सामग्रियों की खोज के लिए एक मजबूत ढांचा प्रदान करते हैं।

यह अध्ययन रेखांकित करता है कि:

ज्यामितीय स्थिरता आवश्यक है लेकिन पर्याप्त नहीं है: टोपोलॉजिकल बाधाएं (कॉर्नर-शेयरिंग) और प्रयोगात्मक व्यवहार्यता (CLS) महत्वपूर्ण फिल्टर हैं।
स्थिरता एक डिज़ाइन पैरामीटर है: बड़े पैमाने पर तैनाती सुनिश्चित करने के लिए आपूर्ति श्रृंखला जोखिमों का मूल्यांकन ऑप्टोइलेक्ट्रॉनिक प्रदर्शन के साथ किया जाना चाहिए।
डेटा-संचालित वर्कफ़्लो अंतर को पाट सकते हैं: यह पाइपलाइन प्रयोगवादियों के लिए प्राथमिकता वाले लक्ष्यों की एक सूची प्रदान करती है, जिससे स्थिर, गैर-विषाक्त सौर अवशोषक की खोज में 'ट्रायल-एंड-एरर' संश्लेषण से जुड़े समय और लागत को काफी कम किया जा सकता है।

लेखक इस बात पर जोर देते हैं कि हालांकि ये प्राथमिकता वाले लक्ष्य हैं, फिर भी प्रयोगात्मक सत्यापन की आवश्यकता है, विशेष रूप से ऑक्सीकरण अवस्था स्थिरता (जैसे, Cu²⁺ बनाम Cu⁺) और रेडॉक्स थर्मोडायनामिक्स के संबंध में, जिन्हें वर्तमान वर्कफ़्लो में स्पष्ट रूप से मॉडल नहीं किया गया है।