🔬 materials science

Chalcogen Impurity Barriers in 2D Systems via Semi-Empirical/Machine Learning Modeling: A Survey over 4000 Materials

यह शोध पत्र एक स्केलेबल, डेटा-संचालित ढांचे को प्रस्तुत करता है जो कम-ऊर्जा वाले चाल्कोजन अशुद्धि अधिशोषण अवरोधों (chalcogen impurity adsorption barriers) के लिए 4,000 से अधिक द्वि-आयामी सामग्रियों की कुशलतापूर्वक स्क्रीनिंग करने हेतु अर्ध-अनुभवजन्य एक्सटेंडेड हकल विधि (Extended Hückel Method) को व्याख्या योग्य मशीन लर्निंग के साथ जोड़ता है, जिससे उत्प्रेरण, संवेदन और सतह कार्यात्मकता अनुप्रयोगों के लिए उम्मीदवारों की खोज में तेजी आती है।

मूल लेखक: M. L. Pereira Junior, M. G. E. da Luz, P. Cesana, A. L. da Rosa, M. J. Piotrowski, D. Guedes-Sobrinho, T. A. S. Pereira, E. A. Moujaes, A. C. Dias, R. M. Tromer

प्रकाशित 2026-02-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: M. L. Pereira Junior, M. G. E. da Luz, P. Cesana, A. L. da Rosa, M. J. Piotrowski, D. Guedes-Sobrinho, T. A. S. Pereira, E. A. Moujaes, A. C. Dias, R. M. Tromer

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 नए प्रकार के "स्मार्ट" पदार्थ के लिए एक आदर्श रेसिपी बनाने की कोशिश कर रहे हैं। आप यह जानना चाहते हैं कि एक विशिष्ट सामग्री (जैसे कि सल्फर परमाणु) एक सपाट, द्वि-आयामी सतह (जैसे कि ग्राफीन की एक शीट) पर उतरने पर बिल्कुल कैसा व्यवहार करेगी। क्या वह मजबूती से चिपकेगी? क्या वह आसानी से फिसल जाएगी? इस "चिपचिपाहट" या "फिसलन" को ऊर्जा अवरोध (energy barrier) कहा जाता है।

यदि अवरोध कम है, तो परमाणु आसानी से फिसलता है (सेंसर या उत्प्रेरक के लिए बेहतरीन)। यदि यह अधिक है, तो परमाणु फंस जाता है (भंडारण के लिए बेहतरीन)।

समस्या यह है? परीक्षण करने के लिए 4,000 से अधिक अलग-अलग 2D सामग्रियां उपलब्ध हैं। सबसे सटीक वैज्ञानिक विधि (जिसे DFT कहा जाता है) का उपयोग करके एक-एक करके सभी की जांच करना एक विशाल बुफे में हर एक व्यंजन को बनाने के बाद चखने जैसा है। इसमें एक जीवनकाल लग जाएगा और कंप्यूटिंग शक्ति की भारी लागत आएगी।

यह शोध पत्र इस बारे में है कि लेखकों ने एक चालाक शॉर्टकट कैसे बनाया जिससे वे सभी 4,000 व्यंजनों को पलक झपकते ही टेस्ट कर सकें, जबकि वे यह भी समझ सकें कि वे क्यों ऐसे स्वाद के हैं।

रेसिपी: एक तीन-चरणीय रसोई

लेखकों ने एक "स्मार्ट किचन" वर्कफ़्लो बनाया है जो तीन उपकरणों को जोड़ता है:

1. "त्वरित रेखाचित्र" (सेमी-एम्पिरिकल विधि)

एक पूर्ण भोजन पकाने (एक विशाल, धीमी सिमुलेशन चलाने) के बजाय, वे एक त्वरित रेखाचित्र (quick sketch) का उपयोग करते हैं। वे एक सरलीकृत भौतिकी मॉडल का उपयोग करते हैं जिसे एक्सटेंडेड हकल मेथड (EHM) कहा जाता है।

उपमा: कल्पना करें कि आप जानना चाहते हैं कि एक सूटकेस कितना भारी है। आप इसे एक सटीक औद्योगिक तराजू (DFT) पर रख सकते हैं, या आप केवल इसके आकार और सामग्रियों के बारे में अपनी जानकारी के आधार पर अनुमान लगा सकते हैं (EHM)। यह 100% सटीक नहीं है, लेकिन यह तेज़ है और एक बहुत अच्छा अनुमान देता है।
ट्रिक: उन्होंने यहाँ तक कि परमाणु सतह से कितनी दूरी पर स्थित है, इसकी सटीक गणना भी नहीं की। इसके बजाय, उन्होंने परमाणुओं के आकार पर आधारित एक सरल "नियम" सूत्र का उपयोग करके दूरी का अनुमान लगाया। इसने उन्हें प्रति सामग्री घंटों के कंप्यूटिंग समय की बचत कराई।

2. "स्वाद-परीक्षण" (मशीन लर्निंग)

एक बार जब उनके पास सभी 4,000 सामग्रियों के लिए उनके त्वरित रेखाचित्र आ गए, तो उनके पास डेटा का एक बड़ा ढेर था। लेकिन वे भविष्य की सामग्रियों के लिए परिणामों की भविष्यवाणी और भी तेज़ी से करना चाहते थे। इसलिए, उन्होंने इस डेटा को एक मशीन लर्निंग (ML) मस्तिष्क में फीड किया।

उपमा: इसे एक कुत्ते को प्रशिक्षित करने के रूप में सोचें। आप कुत्ते को "फिसलन भरी" सतहों और "चिपचिपी" सतहों की 4,000 तस्वीरें दिखाते हैं। अंततः, कुत्ता पैटर्न सीख जाता है।
विजेता: उन्होंने चार अलग-अलग प्रकार के "कुत्तों" (एल्गोरिदम) का परीक्षण किया। विजेता XGBoost था। यह सबसे स्मार्ट, सबसे चौकस कुत्ते की तरह था जो अन्य लोगों की तुलना में फिसलन भरी सतह और चिपचिपी सतह के बीच सूक्ष्म अंतर को बेहतर ढंग से पहचान सकता था।

3. "क्यों?" (व्याख्यात्मकता)

आमतौर पर, AI एक "ब्लैक बॉक्स" होता है। आप डेटा डालते हैं, और यह उत्तर देता है, लेकिन आपको पता नहीं चलता कि क्यों। लेखक एक ब्लैक बॉक्स नहीं चाहते थे; वे एक पारदर्शी बॉक्स चाहते थे। उन्होंने SHAP नामक एक उपकरण का उपयोग किया (जो सुनने में एक जादुई मंत्र जैसा लगता है, लेकिन वास्तव में एक गणितीय तकनीक है)।

उपमा: यदि AI कहता है, "यह सतह फिसलन भरी है," तो SHAP वह जासूस है जो पूछता है, "क्यों?" और उत्तर देता है, "क्योंकि सतह में उच्च विद्युत ऋणात्मकता (electronegativity) और एक विशिष्ट परमाणु संरचना है।"
परिणाम: उन्होंने पाया कि तीनों सामग्रियों (सल्फर, सेलेनियम और टेल्यूरियम) के लिए, सबसे महत्वपूर्ण कारक इलेक्ट्रॉनों की संख्या थी, वे इलेक्ट्रॉनों के प्रति कितने लालची हैं (विद्युत ऋणात्मकता), और उनका परमाणु क्रमांक था।

बड़ी खोज: "गोल्डिलॉक्स" सामग्रियां

लेखकों ने सभी 4,000 सामग्रियों पर तीन विशिष्ट "अशुद्धियों" (सल्फर, सेलेनियम और टेल्यूरियम) का परीक्षण किया। यहाँ उन्हें क्या मिला:

सल्फर (S): यह एक नखरेबाज खाने वाला है। यह सतह के साथ मजबूती से इंटरैक्ट करता है, जिससे उच्च ऊर्जा अवरोध पैदा होता है (यह अधिक चिपकता है)। यह सतह के विशिष्ट आकार और ज्यामिति की बहुत परवाह करता है।
सेलेनियम (Se): यह बीच में कहीं है। यह सतह पर होने वाली अव्यवस्था (disorder) के प्रति संवेदनशील है। यदि सतह थोड़ी अस्त-व्यस्त या अनियमित है, तो सेलेनियम अलग तरह से प्रतिक्रिया करता है।
टेल्यूरियम (Te): यह एक शांत स्वभाव वाला है। क्योंकि यह एक बड़ा, भारी परमाणु है, यह सतह के सूक्ष्म विवरणों की बहुत परवाह नहीं करता है। यह अधिकांश सामग्रियों पर बहुत कम ऊर्जा अवरोध के साथ आसानी से फिसल जाता है। यह तीनों में सबसे अधिक "फिसलन भरा" है।

यह क्यों मायने रखता है?

कल्प dáng करें कि आप अस्पताल के लिए एक नया सेंसर या एक सुपर-एफिशिएंट बैटरी बना रहे हैं। आपको उस एक सामग्री को खोजने की आवश्यकता है जो आपकी परमाणुओं को बिल्कुल सही तरीके से फिसलने दे—न बहुत चिपचिपा, न बहुत ढीला।

इस पेपर से पहले: आपको हजारों सामग्रियों के लिए महंगी, धीमी सिमुलेशन चलानी पड़ती। इसमें वर्षों लग जाते।
इस पेपर के बाद: आप उनके "त्वरित रेखाचित्र + स्मार्ट मस्तिष्क" पद्धति का उपयोग करके सभी 4,000 सामग्रियों की जांच बहुत कम समय में कर सकते हैं। आप तुरंत उन शीर्ष 100 उम्मीदवारों को चुन सकते हैं जो आशाजनक दिखते हैं, और फिर केवल उन 100 पर महंगी, धीमी सिमुलेशन चला सकते हैं।

मुख्य निष्कर्ष

यह पेपर वैज्ञानिकों को रेत के विशाल समुद्र में एक मेटल डिटेक्टर देने जैसा है। हर एक रेत के कण को खोदकर यह देखने के बजाय कि क्या उसमें सोना (एक उपयोगी सामग्री) है, उन्होंने एक ऐसी मशीन बनाई है जो पूरे समुद्र तट को सेकंडों में स्कैन करती है, आपको बताती है कि सोना कहाँ होने की संभावना है, और यह भी समझाती है कि वह क्यों वहाँ है।

उन्होंने साबित कर दिया कि सबसे अच्छी सामग्रियां खोजने के लिए आपको हमेशा सबसे महंगे, धीमे उपकरण की आवश्यकता नहीं होती है। कभी-कभी, एक "काफी अच्छे" अनुमान और एक स्मार्ट कंप्यूटर मस्तिष्क का चतुराई भरा संयोजन भविष्य की तकनीक की खोज करने का सबसे तेज़ तरीका होता है।

1. समस्या विवरण (Problem Statement)

उत्प्रेरण (catalysis), संवेदन (sensing) और सतह कार्यात्मकता (surface functionalization) के अनुप्रयोगों के लिए दो-आयामी (2D) सामग्रियों के लक्षण वर्णन के लिए ऐसी संरचनाओं की पहचान करना आवश्यक है जिनमें अशुद्धि अधिशोषण (impurity adsorption) और प्रवास (migration) के लिए निम्न ऊर्जा अवरोध (energy barriers) हों। जबकि डेंसिटी फंक्शनल थ्योरी (DFT) इन गुणों की गणना के लिए स्वर्ण मानक (gold standard) है, इसकी उच्च कम्प्यूटेशनल लागत इसे बड़े डेटासेट (जैसे, कम्प्यूटेशनल 2D मैटेरियल्स डेटाबेस, C2DB, जिसमें हजारों सामग्रियां शामिल हैं) की स्क्रीनिंग के लिए अव्यवहारिक बनाती है। एक स्केलेबल, डेटा-संचालित ढांचे की महत्वपूर्ण आवश्यकता है जो भौतिक व्याख्यात्मकता (physical interpretability) से समझौता किए बिना बड़ी संख्या में 2D प्रणालियों के लिए अधिशोषण ऊर्जा अवरोधों का तेजी से अनुमान लगा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक हाइब्रिड वर्कफ़्लो प्रस्तावित करते हैं जो अर्ध-अनुभवजन्य क्वांटम यांत्रिकी (semi-empirical quantum mechanics) को उन्नत मशीन लर्निंग (ML) और व्याख्यात्मक प्रोटोकॉल के साथ एकीकृत करता है। इस प्रक्रिया में पांच क्रमिक चरण शामिल हैं:

डेटा अधिग्रहण (Data Acquisition): अध्ययन में C2DB से 4,036 विशिष्ट 2D सामग्रियों का उपयोग किया गया है।
अर्ध-अनुभवजन्य गणना (EHM):
- समय लेने वाली ज्यामिति अनुकूलन (geometry optimizations) करने के बजाय, लेखक YAeHMOP सॉफ़्टवेयर का उपयोग करके एक्सटेंडेड हकल मेथड (EHM) का उपयोग करते हैं।
- घटनात्मक साम्यावस्था दूरी ( $d_{eq}$ ): ज्यामिति अनुकूलन को दरकिनार करने के लिए, $d_{eq}$ का अनुमान सहसंयोजक त्रिज्या (covalent radii) पर आधारित एक सरल प्रभावी अभिव्यक्ति का उपयोग करके लगाया जाता है: $d_{eq} = 2 r_{cov} (1 + \delta)$ , जहाँ $\delta \approx 0.3$ है। इसे ग्राफीन पर क्षारीय धातुओं के लिए DFT परिणामों के विरुद्ध मान्य किया गया था।
- ऊर्जा प्रोफाइल (Energy Profiles): प्रत्येक सामग्री के लिए, अशुद्धियों (सल्फर, सेलेनियम और टेल्यूरियम) को तीन इन-प्लेन प्रक्षेप पथों ( $x$ , $y$ , और $xy $विकर्ण) के साथ ~3 Å तक विस्थापित किया जाता है। औसत ऊर्जा अवरोध ($ \bar{E}_b$) इन तीन पथों के अधिकतम ऊर्जा से निकाला जाता है।
डिस्क्रिप्टर निष्कर्षण (Descriptor Extraction):
- Matminer लाइब्रेरी और प्रत्यक्ष C2DB डेटा का उपयोग करके भौतिक-रासायनिक डिस्क्रिप्टर उत्पन्न किए जाते हैं।
- "फुल सेट ऑफ डिस्क्रिप्टर्स" (FSD) में निर्माण ऊर्जा (formation energy), बैंडगैप, मोटाई और परमाणु औसत (संयोजकता इलेक्ट्रॉन, विद्युत ऋोणिता, परमाणु संख्या, त्रिज्या, मोलर द्रव्यमान) शामिल हैं।
मशीन लर्निंग मॉडलिंग (Machine Learning Modeling):
- चार पर्यवेक्षित शिक्षण एल्गोरिदम (supervised learning algorithms) को प्रशिक्षित और तुलना की गई: लीनियर रिग्रेशन, मल्टीलेयर पर्सेप्ट्रॉन (MLP), डिसीजन ट्री, और XGBoost (एक्सट्रीम ग्रेडिएंट बूस्टिंग)।
- XGBoost के हाइपरपैरामीटर को Optuna लाइब्रेरी का उपयोग करके अनुकूलित किया गया।
- लक्ष्य चर (target variable) औसत ऊर्जा अवरोध ( $\bar{E}_b$ ) है।
व्याख्यात्मकता विश्लेषण (Interpretability Analysis):
- सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल (XGBoost) पर SHAP (SHapley Additive exPlanations) विधि को विशेषता महत्व (feature importance) को मापने और भौतिक सहसंबंधों को उजागर करने के लिए लागू किया गया।
- स्वतंत्र सत्यापन पियर्सन सहसंबंध मैट्रिक्स (Pearson correlation matrices) और K-means क्लस्टरिंग का उपयोग करके किया गया।

3. प्रमुख योगदान (Key Contributions)

स्केलेबल ढांचा: यह प्रदर्शित किया गया कि अर्ध-अनुभवजन्य विधियों (EHM) को ML के साथ जोड़ने से 4,000 से अधिक 2D सामग्रियों की तीव्र स्क्रीनिंग संभव है, जो शुद्ध DFT के साथ अप्राप्य है।
नूतन घटनात्मक दृष्टिकोण: ज्यामिति अनुकूलन के बिना साम्यावस्था दूरियों का अनुमान लगाने के लिए एक सरलीकृत पद्धति पेश की गई, जो स्क्रीनिंग उद्देश्यों के लिए उचित सटीकता बनाए रखते हुए कम्प्यूटेशनल ओवरहेड को काफी कम करती है।
व्यापक चोल्कोजन सर्वेक्षण: विविध 2D सामग्रियों के सेट में S, Se, और Te अशुद्धि प्रवास अवरोधों का पहला बड़े पैमाने पर तुलनात्मक अध्ययन प्रदान किया।
सामग्री विज्ञान में व्याख्यात्मकता: SHAP का उपयोग करके "ब्लैक-बॉक्स" ML भविष्यवाणियों को भौतिक तंत्रों (जैसे, इलेक्ट्रॉनिक गुण, सतह टोपोलॉजी) से सफलतापूर्वक जोड़ा, जो केवल भविष्यवाणी से आगे बढ़कर भौतिक अंतर्दृष्टि प्रदान करता है।

4. परिणाम (Results)

A. बेंचमार्किंग और रुझान (Benchmarking and Trends)

ग्राफीन बेंचमार्क: ग्राफीन पर S, Se, और Te के लिए EHM परिणाम ज्ञात DFT रुझानों से मेल खाते हैं, जो अवरोधों के क्रम की सही भविष्यवाणी करते हैं: S > Se > Te।
- S: उच्चतम अवरोध (~1.0 eV), जो मजबूत एनिसोट्रॉपी (anisotropy) दिखाता है।
- Se: मध्यवर्ती अवरोध (~0.5 eV), कम एनिसोट्रॉपी।
- Te: निम्नतम अवरोध (~0.23 eV), बड़े त्रिज्या और ध्रुवणता (polarizability) के कारण क्वासी-आइसोट्रोपिक व्यवहार।
डेटाबेस सांख्यिकी: 4,036 सामग्रियों में से, ~3,150 सामग्रियों के अवरोध < 5.0 eV थे। औसत अवरोध S के लिए 1.32 eV, Se के लिए 1.59 eV और Te के लिए 1.03 eV था।

B. मशीन लर्निंग प्रदर्शन (Machine Learning Performance)

मॉडल तुलना: XGBoost ने लीनियर रिग्रेशन, MLP और डिसीजन ट्री की तुलना में काफी बेहतर प्रदर्शन किया।
- 0–2.0 eV रेंज के लिए, XGBoost ने 0.528 ( $R^2$ परीक्षण) के साथ और 0.251 eV के माध्य पूर्ण त्रुटि (MAE) के साथ प्रदर्शन किया।
- लीनियर रिग्रेशन और डिसीजन ट्री खराब सामान्यीकरण (overfitting) और निम्न $R^2$ मानों (< 0.43) से ग्रस्त थे।
ऊर्जा विंडो अनुकूलन: कम ऊर्जा अवरोधों वाले डेटासेट को सीमित करने से सटीकता में सुधार हुआ:
- अवरोध ≤ 1.0 eV (1,495 सामग्रियां) के लिए, टेस्ट RMSE काफी कम हो गया, और ट्रेन-टेस्ट अंतर कम हो गया, जो निम्न-अवरोध उम्मीदवारों के लिए बेहतर मॉडल स्थिरता को दर्शाता है।
- टेल्यूरियम (Te) ने सबसे मजबूत सामान्यीकरण दिखाया, जबकि सेलेनियम (Se) ने ऊर्जा विंडो को कम करने पर सबसे बड़ा त्रुटि न्यूनीकरण दिखाया।

C. व्याख्यात्मकता (SHAP विश्लेषण) (Interpretability - SHAP Analysis)

प्रमुख डिस्क्रिप्टर: तीनों अशुद्धियों के लिए, शीर्ष भविष्यवक्ता लगातार औसत संयोजकता संख्या (average valence number), विद्युत ऋोणिता (electronegativity) और परमाणु संख्या (atomic number) रहे।
अशुद्धि-विशिष्ट अंतर्दृष्टि:
- सल्फर (S): सतह की ज्यामिति और समन्वय (जैसे, समन्वय संख्या 1) के प्रति अत्यधिक संवेदनशील है। निम्न संयोजकता/परमाणु संख्या और उच्च विद्युत ऋोणिता निम्न अवरोधों के साथ सहसंबंध रखती है।
- सेलेनियम (Se): स्थानीय ज्यामितिक विकार (जैसे, Steinhardt बॉन्ड ओरिएंटेशन पैरामीटर) और सतह की मोटाई के प्रति उच्च संवेदनशीलता दिखाता है।
- टेल्यूरियम (Te): मुख्य रूप से स्थानीय संरचनात्मक विविधताओं के बजाय औसत इलेक्ट्रॉनिक गुणों द्वारा संचालित होता है, जो इसके कमजोर, अधिक विसरित (delocalized) इंटरैक्शन के अनुरूप है।
वैधीकरण: पियर्सन सहसंबंध और K-means क्लस्टरिंग ने SHAP निष्कर्षों की पुष्टि की, जिससे यह प्रमाणित हुआ कि पतली, घनी संरचनाएं आम तौर पर प्रवास अवरोधों को कम करती हैं।

5. महत्व (Significance)

यह कार्य 2D सामग्रियों के 'इनवर्स डिजाइन' के लिए एक शक्तिशाली, स्केलेबल पाइपलाइन स्थापित करता है। यह सिद्ध करके कि अर्ध-अनुभवजन्य विधियों को व्याख्यात्मक ML के साथ जोड़कर अधिशोषण गतिकी (adsorption dynamics) की सटीक भविष्यवाणी की जा सकती है, लेखकों ने एक उपकरण प्रदान किया है जो:

खोज को गति देता है: विशाल डेटाबेस से उत्प्रेरण और संवेदन के लिए आशाजनक 2D उम्मीदवारों की तेजी से पहचान करना।
प्रयोगों को मार्गदर्शन देता है: SHAP के माध्यम से भौतिक अंतर्दृष्टि प्रदान करना कि क्यों कुछ सामग्रियां निम्न अवरोध प्रदर्शित करती हैं, जिससे विशिष्ट संरचनात्मक विशेषताओं (जैसे, विशिष्ट समन्वय वातावरण या मोटाई) के चयन में मदद मिलती है।
पैमानों को जोड़ता है: कम-लागत वाली स्क्रीनिंग से उच्च-निष्ठा (high-fidelity) वाले DFT सत्यापन तक एक व्यवहार्य पथ प्रदर्शित करना, जहाँ केवल ML फिल्टर के शीर्ष उम्मीदवारों को ही महंगे ab initio गणनाओं की आवश्यकता होती है।

अध्ययन निष्कर्ष निकालता है कि हालांकि वर्तमान ढांचा ab initio गणनाओं का विकल्प नहीं है, लेकिन यह एक आवश्यक, उच्च-थ्रूपुट फिल्टर के रूप में कार्य करता है जो गति, सटीकता और भौतिक व्याख्यात्मकता के बीच संतुलन बनाता है।