🔬 materials science

Active Learning for Tractable and Reproducible Pulsed Laser Deposition

यह शोध पत्र यह प्रदर्शित करता है कि कैसे गॉसियन प्रोसेस बेयसियन ऑप्टिमाइज़ेशन पर आधारित एक एक्टिव लर्निंग फ्रेमवर्क, उच्च गुणवत्ता वाली, चरण-शुद्ध (फेज-प्योर) फिल्मों के उत्पादन के लिए LaVO $_3$ के पल्स्ड लेजर डिपोजिशन को कुशलतापूर्वक अनुकूलित कर सकता है और साथ ही जटिल ऑक्साइड विकास को नियंत्रित करने वाले गैर-संतुलन दोष निर्माण तंत्रों में मौलिक अंतर्दृष्टि प्रकट कर सकता है।

मूल लेखक: Jackson S. Bentley, Christopher Rouleau, Ilia N. Ivanov, T. Zac Ward, Jiaqiang Yan, Anghea Dolisca, Rob G. Moore, Gyula Eres, Richard F. Haglund, Sumner B. Harris, Matthew Brahlek

प्रकाशित 2026-03-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jackson S. Bentley, Christopher Rouleau, Ilia N. Ivanov, T. Zac Ward, Jiaqiang Yan, Anghea Dolisca, Rob G. Moore, Gyula Eres, Richard F. Haglund, Sumner B. Harris, Matthew Brahlek

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 आदर्श सोंडौ (sourdough) ब्रेड का लोफ बनाने की कोशिश कर रहे हैं। आप बुनियादी सामग्री जानते हैं: मैदा, पानी, यीस्ट और नमक। लेकिन "आदर्श" लोफ चरों (variables) के एक नाजुक नृत्य पर निर्भर करता है: आपके किचन का सटीक तापमान, आपने आटे को कितनी देर तक गूंथा है, हवा में नमी कितनी है, और आपने ओवन में इसे कब डाला, इसका सटीक समय क्या था।

यदि आप तापमान को कुछ ही डिग्री बदल देते हैं, तो आपको ब्रेड के बजाय एक ईंट जैसा सख्त टुकड़ा मिल सकता है। यदि आप नमी बदल देते हैं, तो क्रस्ट (ऊपरी परत) बहुत सख्त या बहुत नरम हो सकती है। उन्नत सामग्रियों (advanced materials) की दुनिया में, वैज्ञानिक इसी तरह की समस्या का सामना करते हैं, लेकिन पल्स्ड लेजर डिपोजिशन (PLS) के साथ। ब्रेड बनाने के बजाय, वे जटिल क्रिस्टल (जैसे LaVO3) की अति-पतली फिल्में उगाने की कोशिश कर रहे हैं, जो भविष्य के क्वांटम कंप्यूटरों या सुपर-कुशल सौर सेल को शक्ति दे सकते हैं।

समस्या क्या है? यह प्रक्रिया अराजक है। यह एक तूफान में बेकिंग करने जैसा है। लेसर सतह पर सामग्री को अविश्वसनीय गति से मारता है, जिससे एक "नॉन-इक्विलिब्रियम" (गैर-संतुलन) वातावरण बनता है जहाँ सूक्ष्म दोष और अवांछित अशुद्धियाँ आसानी से अंतिम उत्पाद को खराब कर सकती हैं। वर्षों तक, वैज्ञानिकों को अनुमान और परीक्षण (guess-and-check) करना पड़ता था, यानी एक सही परिणाम पाने के लिए सैकड़ों लोफ (सैकड़ों फिल्में उगाना) बनाने पड़ते थे।

समाधान: एक स्मार्ट, स्वयं सीखने वाला बेकर

यह पेपर बेकिंग करने का एक नया तरीका पेश करता है: एक्टिव लर्निंग विद मशीन लर्निंग (Active Learning with Machine Learning)।

अगले तापमान का अनुमान लगाने के बजाय, वैज्ञानिकों ने एक "स्मार्ट बेकर" (एक AI मॉडल) बनाया जो काम करते-करते सीखता है। उन्होंने इसे कैसे किया, यहाँ इसका सरल उदाहरण दिया गया है:

1. रेसिपी (द ऑब्जेक्टिव फंक्शन)

वैज्ञानिकों ने तय किया कि एक "आदर्श" फिल्म कैसी दिखती है। उन्होंने चार चीजों के आधार पर एक स्कोरिंग सिस्टम बनाया:

लैटिस साइज (c): क्या क्रिस्टल संरचना का आकार बिल्कुल सही है? (जैसे यह जांचना कि ब्रेड कितनी ऊंचाई तक फूली है)।
स्मूथनेस (RRMS): क्या सतह सपाट और चमकदार है, या ऊबड़-खाबड़ है? (जैसे यह जांचना कि क्रस्ट चिकना है या नहीं)।
क्रिस्टल ऑर्डर (∆ω): क्या परमाणु पंक्तियों में पूरी तरह से व्यवस्थित हैं, या वे अस्त-व्यस्त हैं? (जैसे यह जांचना कि ब्रेड की आंतरिक संरचना समान है या नहीं)।
शुद्धता (इम्प्योरिटी फेज): क्या हमने गलती से कुछ "LaVO4" (एक अलग, अवांछित प्रकार की ब्रेड) बना दिया है? (जैसे यह सुनिश्चित करना कि आटे में पत्थर न हों)।

उन्होंने इन सबको मिलाकर एक एकल "स्कोर" बनाया। स्कोर जितना कम होगा, फिल्म उतनी ही बेहतर होगी।

2. मानचित्र (द गॉसियन प्रोसेस)

वैज्ञानिकों ने केवल तुक्का नहीं लगाया। उन्होंने एक गॉसियन प्रोसेस का उपयोग किया, जो एक स्मार्ट, 3D स्थलाकृतिक मानचित्र (topographical map) की तरह है।

एक ऐसे परिदृश्य की कल्पना करें जहाँ पहाड़ खराब, बर्बाद फिल्मों को दर्शाते हैं, और घाटियाँ आदर्श फिल्मों को दर्शाती हैं।
AI शुरुआत में यादृच्छिक स्थानों पर कुछ झंडे (कुछ फिल्में उगाना) लगाता है।
यह प्रत्येक स्थान की "ऊंचाई" (स्कोर) को मापता है।
फिर, यह बिंदुओं को जोड़ने वाला एक नक्शा बनाता है। यह केवल अनुमान नहीं लगाता; यह अनिश्चितता की गणना करता है। यह जानता है, "मैंने अभी तक इस क्षेत्र की जांच नहीं की है, लेकिन पास के पहाड़ों के आधार पर, यहाँ एक गहरी घाटी छिपी होने की संभावना है।"

3. रणनीति (बायेसियन ऑप्टिमाइजेशन)

यही "एक्टिव लर्निंग" वाला हिस्सा है। AI अपने मानचित्र को देखता है और पूछता है, "मुझे सबसे अधिक सीखने के लिए अगला झंडा कहाँ लगाना चाहिए?"

एक्सप्लोरेशन (अन्वेषण): यह एक अजीब, अनछुए स्थान की जांच कर सकता है ताकि यह देख सके कि क्या वहां कोई छिपी हुई घाटी है।
एक्सप्लॉइटेशन (दोहन): यदि इसे पास में कोई घाटी दिखाई देती है, तो यह उस घाटी के बिल्कुल निचले हिस्से की जांच कर सकता है ताकि यह देख सके कि क्या वह सबसे गहरी घाटी है।

AI इसे बार-बार करता है। हर नई फिल्म के साथ, मानचित्र अधिक स्पष्ट होता जाता है, और आदर्श स्थितियों की "घाटी" अधिक सटीक होती जाती है।

खोज: छिपी हुई घाटी को ढूंढना

इस "स्मार्ट बेकिंग" के 29 राउंड के बाद, AI ने ग्लोबल ऑप्टिमम (सबसे अच्छा स्थान) खोज लिया।

परिणाम: उन्होंने एक ऐसी फिल्म उगाई जो अविश्वसनीय रूप से चिकनी, पूरी तरह से व्यवस्थित और अशुद्धियों से मुक्त थी। यह अब तक की सर्वश्रेष्ठ फिल्मों जितनी ही अच्छी थी, लेकिन उन्होंने इसे पहले की तुलना में बहुत तेज़ी से और अधिक विश्वसनीयता के साथ खोजा।
आश्चर्य: AI ने कुछ ऐसा उजागर किया जिसे वैज्ञानिक पूरी तरह से नहीं समझते थे। फिल्म को बर्बाद करने के दो अलग-अलग तरीके थे:
1. "बहुत ठंडा/बहुत तेज़" का जाल: यदि लेजर ऊर्जा बहुत अधिक थी और दबाव बहुत कम था, तो परमाणु सतह से बहुत ज़ोर से टकराते थे और स्थिर नहीं हो पाते थे, जिससे छोटे छेद (पॉइंट डिफेक्ट्स) बन जाते थे।
2. "बहुत गर्म/बहुत अधिक ऑक्सीजन" का जाल: यदि दबाव बहुत अधिक था और तापमान बहुत अधिक था, तो सामग्री बहुत अधिक ऑक्सीकृत होने लगी, जिससे एक पूरी तरह से अलग, अवांछित क्रिस्टल (LaVO4) बन गया।

"परफेक्ट" फिल्म इन दो आपदाओं के बीच एक संकीले घाटी में मौजूद थी। AI ने दिखाया कि आपको उस 'स्वीट स्पॉट' में रहने के लिए गर्मी और दबाव को पूरी तरह से संतुलित करना होगा।

यह क्यों महत्वपूर्ण है

इसे सहज ज्ञान (instinct) से खाना बनाने से सुपरकंप्यूटर के साथ खाना बनाने की ओर बढ़ने के रूप में सोचें।

पुनरुत्पादकता (Reproducibility): पहले, दो वैज्ञानिक "समान" सेटिंग्स का उपयोग करके भी अलग परिणाम प्राप्त कर सकते थे क्योंकि छिपे हुए चर (variables) मौजूद थे। अब, AI पूरे परिदृश्य का मानचित्र बनाता है, इसलिए हमें पता है कि "अच्छा" क्षेत्र कहाँ है, जिससे यह प्रक्रिया विश्वसनीय बन जाती है।
गति: परीक्षण और त्रुटि (trial and error) में लगने वाले वर्षों के बजाय, उन्होंने कुछ ही हफ्तों में सबसे अच्छी रेसिपी खोज ली।
समझ: AI ने केवल उन्हें उत्तर नहीं दिया; इसने उन्हें समझाया कि क्यों उनका उत्तर काम कर रहा था। इसने उन्हें विभिन्न प्रकार के दोषों के बीच प्रतिस्पर्धा के बारे में नई अंतर्दृष्टि दी, जिससे उन्हें यह समझने में मदद मिली कि वास्तव में ये सामग्रियां कैसे विकसित होती हैं।

संक्षेप में, यह पेपर दिखाता है कि डेटा को एकत्र किए जाने के दौरान ही उससे सीखने की अनुमति देकर, हम जटिल सामग्रियों को उगाने की अराजक कला में महारत हासिल कर सकते हैं, जो बेहतर इलेक्ट्रॉनिक्स, सौर सेल और क्वांटम उपकरणों का मार्ग प्रशस्त करता है। यह दुनिया के सर्वश्रेष्ठ बेकर बनने के लिए एक रोबोट को सिखाने जैसा है, ताकि हम अंततः हर बार एक आदर्श लोफ बना सकें।

1. समस्या विवरण (Problem Statement)

पल्स्ड लेजर डिपोजिशन (PLD) के माध्यम से जटिल कोरिलेटेड ऑक्साइड्स, विशेष रूप से पेरोव्स्काइट LaVO $_3$ (LVO) की उच्च गुणवत्ता वाली पतली फिल्मों (thin films) का संश्लेषण, विकास स्थितियों (growth conditions) के प्रति अत्यधिक संवेदनशीलता के कारण बाधित होता है।

पुनरुत्पादकता संबंधी मुद्दे (Reproducibility Issues): ज्ञात मापदंडों (तापमान, ऑक्सीजन आंशिक दबाव $P_{O_2}$ , लेजर फ्लुएंस) और सामग्री के गुणों के बीच संबंधों के बावजूद, नाममात्र समान स्थितियाँ भी बहुत भिन्न संरचनात्मक और कार्यात्मक गुणों (जैसे कि जालक मापदंड/lattice parameters का 3.935 से 3.985 Å तक भिन्न होना) वाली फिल्में उत्पन्न करती हैं।
जटिल दोष परिदृश्य (Complex Defect Landscape): LVO विकास में प्रतिस्पर्धी तंत्र शामिल हैं:
- बिंदु दोष (Point Defects): गैर-स्टोइकोमेट्री (non-stoichiometry) और रिक्तियां (vacancies) जो जालक मापदंडों और इलेक्ट्रॉनिक अवस्थाओं को बदल देती हैं।
- अशुद्धि चरण (Impurity Phases): उच्च ऑक्सीजन दबाव या उच्च तापमान के तहत LaVO $_4$ (V $^{5+}$ ) जैसे ऑक्सीकृत चरणों का निर्माण।
गैर-संतुलन प्रकृति (Non-Equilibrium Nature): PLD एक अत्यधिक गैर-संतुलन प्रक्रिया है जहाँ मौलिक चालक (fundamental drivers) (जैसे सुपरसैचुरेशन, प्लूम प्रजातियों की गतिज ऊर्जा) को सीधे मापना या मानक प्रयोगात्मक चरों के साथ सह-संबंध स्थापित करना कठिन होता है।
पारंपरिक विधियों की सीमा (Limitation of Traditional Methods): चरण-शुद्ध, दोष-न्यूनतम फिल्मों को अलग करने के लिए आवश्यक बहु-आयामी पैरामीटर स्पेस को मैप करने के लिए "एक-समय-में-एक-चर" (one-variable-at-a-time) अन्वेषण अक्षम और अकुशल है।

2. कार्यप्रणाली (Methodology)

लेखकों ने LVO विकास परिदृश्य को नेविगेट करने के लिए गौसियन प्रोसेस बेयसियन ऑप्टिमाइज़ेशन (GPBO) पर आधारित एक ह्यूमन-इन-द-लूप एक्टिव लर्निंग ढांचे का उपयोग किया।

कार्यप्रवाह (Workflow):
1. संश्लेषण (Synthesis): $P_{O_2}$ (10 $^{-7}$ –10 $^{-4}$ Torr), सबस्ट्रेट तापमान (500–830°C), और लेजर फ्लुएंस (0.8–2.2 J/cm $^2$ ) को बदलते हुए SrTiO $_3$ (STO) सबस्ट्रेट्स पर LVO फिल्में उगाना।
2. विशेष लक्षण वर्णन (Characterization): प्रत्येक फिल्म के लिए चार प्रमुख मेट्रिक्स को मापा गया:
  - आउट-ऑफ-प्लेन जालक मापदंड ( $c$ ): लक्षित आदर्श मान (3.945 Å) से विचलन।
  - सतह खुरदरापन ( $R_{RMS}$ ): परमाणु बल सूक्ष्मदर्शी (AFM) के माध्यम से मापा गया।
  - रॉकिंग कर्व चौड़ाई ( $\Delta\omega$ ): क्रिस्टलीय सुसंगतता (crystalline coherence) का आकलन करने के लिए एक्स-रे विवर्तन (XRD) के माध्यम से मापा गया।
  - अशुद्धि चरण तीव्रता ( $I_{LaVO_4}$ ): XRD में LaVO $_4$ पीक की एकीकृत तीव्रता।
3. उद्देश्य फलन (Objective Function): फिल्म की गुणवत्ता ( $y_i$ ) को मापने के लिए सामान्यीकृत विचलन के भारित योग (weighted sum) का निर्माण किया गया:
  $y_i = \alpha|c_i - 3.945| + \beta \cdot R_{RMS,i} + \gamma \cdot \Delta\omega_i + \delta \cdot I_{LaVO_4,i}$
  भार ( $\alpha, \beta, \gamma, \delta$ ) को मिन-मैक्स स्केलिंग के माध्यम से निर्धारित किया गया, जिसमें जालक संरचना के महत्व पर जोर देने के लिए $\alpha$ को दोगुना किया गया।
4. GPBO मॉडल: डेटा पर "फिल्म गुणवत्ता परिदृश्य" की भविष्यवाणी करने के लिए एक गौसियन प्रोसेस सरोगेट मॉडल को प्रशिक्षित किया गया। एक एक्सपेक्टेड इम्प्रूवमेंट (Expected Improvement) एक्विजिशन फंक्शन ने अनिश्चित क्षेत्रों के अन्वेषण और ज्ञात इष्टतमों के दोहन (exploitation) के बीच संतुलन बनाते हुए अगले विकास मापदंडों के चयन का मार्गदर्शन किया।

3. मुख्य योगदान (Key Contributions)

गुण-निर्देशित अनुकूलन (Property-Guided Optimization): यह प्रदर्शित किया गया कि मशीन लर्निंग जटिल, गैर-संतुलन विकास स्थान (3D: $T$ , $P_{O_2}$ , फ्लुएंस) को वास्तविक समय में मौलिक गतिज मापदंडों को मापे बिना, इष्टतम संश्लेषण स्थितियों की पहचान करने के लिए सफलतापूर्वक मैप कर सकती है।
दोष तंत्रों का पृथक्करण (Decoupling Defect Mechanisms): उद्देश्य फलन में व्यक्तिगत पदों को अलग करके, इस अध्ययन ने दो अलग-अलग, प्रतिस्पर्धी दोष निर्माण व्यवस्थाओं का खुलासा किया:
1. बिंदु दोष व्यवस्था (Point Defect Regime): कम $P_{O_2}$ और कम तापमान द्वारा संचालित, जो गतिज क्षति और अपर्याप्त तापीय गतिशीलता के कारण जालक मापदंड विचलन ( $c$ ) की ओर ले जाती है।
2. अशुद्धि चरण व्यवस्था (Impurity Phase Regime): उच्च $P_{O_2}$ और उच्च तापमान द्वारा संचालित, जो LaVO $_4$ निर्माण और सतह खुरदरापन की ओर ले जाती है।
"ऑप्टिमाइज़ेशन वैली" की खोज (Discovery of an "Optimization Valley"): एक उच्च-गुणवत्ता वाले विकास स्थितियों के निरंतर वैली (valley) की पहचान की गई जो दो अलग-अलग इष्टतमों को जोड़ती है, जो पिछले साहित्य को चुनौती देती है जो सरल दबाव/तापमान थ्रेसहोल्ड का सुझाव देता था।

4. मुख्य परिणाम (Key Results)

ग्लोबल ऑप्टिमम की पहचान (Global Optimum Identification): GPBO एल्गोरिदम $T \approx 820^\circ$ C, $P_{O_2} \approx 1.2 \times 10^{-6}$ Torr, और फ्लुएंस $\approx 0.8$ J/cm $^2$ पर एक वैश्विक इष्टतम पर अभिसरित (converge) हुआ।
- फिल्म गुणवत्ता: इस स्थिति पर उगाई गई फिल्मों ने प्रदर्शित किया:
  - जालक मापदंड $c = 3.947$ Å (निकट-आदर्श)।
  - न्यूनतम LaVO $_4$ अशुद्धि सिग्नल।
  - अत्यंत चिकनी सतहें ( $R_{RMS} = 0.23$ nm)।
  - उच्च क्रिस्टलीय सुसंगतता ( $\Delta\omega = 0.042^\circ$ )।
  - न्यूनतम सब-बैंडगैप ऑप्टिकल अवशोषण, जो मॉलिक्यूलर बीम एपिटैक्सी (MBE) द्वारा उगाई गई फिल्मों के तुलनीय है।
द्वितीयक इष्टतम (Secondary Optimum): कम तापमान ( $\approx 500^\circ$ C) और उच्च $P_{O_2}$ पर एक दूसरा व्यवहार्य विकास क्षेत्र पाया गया, जो उन औद्योगिक अनुप्रयोगों के लिए एक संभावित मार्ग प्रदान करता है जहाँ उच्च तापमान प्रतिबंधित है।
भौतिक अंतर्दृष्टि (Physical Insight):
- मॉडल ने खुलासा किया कि $P_{O_2}$ विकास परिदृश्य की टोपोग्राफी का प्राथमिक चालक है।
- मध्यम $P_{O_2}$ पर उच्च तापमान संभवतः STO सबस्ट्रेट का ऑक्सीजन स्रोत के रूप में उपयोग करता है, जो कम बैकग्राउंड दबाव के कारण होने वाले ऑक्सीजन नुकसान की भरपाई करता है।
- बिंदु दोष (कम $P_{O_2}$ /कम $T$ द्वारा समर्थित) और चरण पृथक्करण (उच्च $P_{O_2}$ /उच्च $T$ द्वारा समर्थित) के बीच प्रतिस्पर्धा देखे गए "वैली" की इष्टतम स्थितियों का निर्माण करती है।
पुनरुत्पादकता (Reproducibility): इस ढांचे ने प्रयोगात्मक डेटा से GP सरोगेट मॉडल की दूरी को मापकर आउटलेर्स (outliers) की पहचान करने और पुनरुत्पादकता को मापने के लिए एक मात्रात्मक विधि प्रदान की।

5. महत्व (Significance)

त्वरित सामग्री खोज (Accelerated Materials Discovery): यह कार्य सिद्ध करता है कि सक्रिय शिक्षण (active learning) जटिल ऑक्साइड संश्लेषण को अनुकूलित करने के लिए आवश्यक प्रयोगात्मक प्रयास को काफी कम कर सकता है, जिससे यह केवल 'ट्रायल-एंड-एरर' से आगे बढ़ जाता है।
मौलिक समझ (Fundamental Understanding): यह डेटा-संचालित अनुमान के माध्यम से मैक्रोस्कोपिक गुणों को छिपे हुए गतिज चरों (सुपरसैचुरेशन, सतह गतिशीलता) के साथ सह-संबंध स्थापित करके गैर-संतुलन PLD विकास को समझने के लिए एक नया दृष्टिकोण प्रदान करता है।
स्केलेबिलिटी (Scalability): यह ढांचा सामग्री-तटस्थ (material-agnostic) है। लेखक सुझाव देते हैं कि प्रासंगिक मेट्रिक्स (जैसे कि रमन लाइन शेप्स) को शामिल करने के लिए इसे अन्य प्रणालियों (जैसे कि ट्रांजिशन मेटल डाइकैल्कोजेनाइड्स) या विकास विधियों (जैसे कि MBE) के लिए अनुकूलित किया जा सकता है।
तकनीकी प्रभाव (Technological Impact): न्यूनतम दोषों के साथ उच्च-गुणवत्ता वाली LVO फिल्में पुनरुत्पादक रूप से उगाने की क्षमता ऑक्साइड इलेक्ट्रॉनिक्स, स्पिनट्रोनिक्स (अल्टरमैग्नेट्स), और अगली पीढ़ी के सौर सेल के लिए महत्वपूर्ण है जो मॉट इंसुलेटर (Mott insulator) भौतिकी पर निर्भर करते हैं।

निष्कर्षतः, यह पेपर पतली-फिल्म संश्लेषण के लिए एक मजबूत, डेटा-संचालित प्रतिमान स्थापित करता है, यह प्रदर्शित करते हुए कि मशीन लर्निंग को भौतिक लक्षण वर्णन के साथ एकीकृत करने से PLD की अंतर्निहित स्टोकेस्टिसिटी (stochasticity) को पार कर उच्च-प्रदर्शन वाले क्वांटम सामग्रियों को प्राप्त किया जा सकता है।