🔬 materials science

Molecular Dynamics simulations of Al-Ti metallic alloy melts using a transferable machine-learning potential

यह अध्ययन विभिन्न तापमानों और संरचनाओं में तरल Al-Ti मिश्र धातुओं की संरचनात्मक और गतिशील विशेषताओं का सटीक रूप से अनुकरण करने के लिए, मूल रूप से ठोस-अवस्था के गुणों पर प्रशिक्षित, एक हस्तांतरणीय मशीन-लर्निंग पोटेंशियल को मान्य करता है, जो कमजोर रासायनिक व्यवस्था और प्रयोगात्मक डेटा के साथ मजबूत सहमति को प्रकट करता है।

मूल लेखक: Yuna Kato, Jürgen Brillo, Dirk Holland-Moritz, Fan Yang, Thomas C. Hansen, Thomas Voigtmann, Linnea Heitmeier

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuna Kato, Jürgen Brillo, Dirk Holland-Moritz, Fan Yang, Thomas C. Hansen, Thomas Voigtmann, Linnea Heitmeier

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 केक बनाने की कोशिश कर रहे हैं, लेकिन मैदा और चीनी के बजाय, आपकी सामग्री पिघला हुआ एल्युमीनियम और टाइटेनियम है। इस "केक" को सही बनाने के लिए, आपको यह जानना होगा कि ये सामग्रियां कैसे मिलती हैं, इनका घोल कितना गाढ़ा (विस्कोसिटी/श्यानता) होता है, और कण कितनी तेज़ी से इधर-उधर घूमते हैं (डिफ्यूजन/विसरण)।

यह शोध पत्र एक हाई-टेक कुकिंग शो की तरह है जहाँ शेफ (वैज्ञानिक) इस मिश्रण की प्रक्रिया को सिम्युलेट करने के लिए एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम का उपयोग करते हैं, क्योंकि लैब में इन धातुओं को पिघलाना अविश्वसनीय रूप से कठिन और खतरनाक है।

यहाँ बताया गया है कि उन्होंने क्या किया और उन्हें क्या पता चला, इसे सरल भाषा में समझाया गया है:

"जादुई रेसिपी" (मशीन लर्निंग पोटेंशियल)

आमतौर पर, परमाणुओं के व्यवहार को सिम्युलेट करने के लिए, वैज्ञानिकों को हर धातु संयोजन के लिए एक विशिष्ट सेट के नियमों (एक "पोटेंशियल") को लिखना पड़ता है। यह हर नए केक फ्लेवर के लिए एक नई रेसिपी बुक लिखने जैसा है। इसमें बहुत समय लगता है और अक्सर गलतियाँ भी होती हैं।

इस अध्ययन में, शोधकर्ताओं ने एक "यूनिवर्सल रेसिपी बुक" का उपयोग किया जिसे NEP89 कहा जाता है। यह एक मशीन-लर्निंग मॉडल है जिसे कई अलग-अलग धातुओं और ठोस पदार्थों के विशाल डेटा पर प्रशिक्षित किया गया था। बड़ा सवाल यह था: क्या यह सामान्य रेसिपी बुक, जिसे मुख्य रूप से ठोस धातुओं के बारे में सिखाया गया था, सही ढंग से भविष्यवाणी कर सकती है कि जब ये धातुएं तरल सूप में पिघल जाती हैं तो वे कैसा व्यवहार करती हैं?

प्रयोग: पिघलाव का सिम्युलेशन (Simulating the Melt)

वैज्ञानिकों ने एक वर्चुअल सिम्युलेशन चलाने के लिए सुपरकंप्यूटर का उपयोग किया। उन्होंने 10,000 एल्युमीनियम और टाइटेनियम परमाणुओं वाला एक डिजिटल बॉक्स बनाया। उन्होंने इसे गर्म किया, ठंडा किया, और अलग-अलग तापमान और मिश्रणों (100% टाइटेनियम से 100% एल्युमीनियम तक) पर परमाणु एक-दूसरे के साथ कैसे नाचते हैं, इसे देखा।

इसके बाद उन्होंने अपने कंप्यूटर परिणामों की तुलना अन्य वैज्ञानिकों द्वारा किए गए वास्तविक दुनिया के प्रयोगों से की, जिन्होंने धातुओं को पिघलाने के लिए विशेष "फ्लोटिंग" तकनीकों (लेविटेशन) का उपयोग किया था ताकि धातु किसी बर्तन को न छुए (जिससे मिश्रण खराब हो सकता है)।

उन्होंने क्या खोजा

1. घनत्व और आयतन (Density and Volume - वे कितने कसकर पैक हैं?)

निष्कर्ष: कंप्यूटर सिम्युलेशन आश्चर्यजनक रूप से सटीक था। इसने सही ढंग से भविष्यवाणी की कि तरल धातु कितनी भारी होगी और वह कितनी जगह घेरेगी।
उपमा: कल्पना कीजिए कि एक कमरे में लोगों की भीड़ है। सिम्युलेशन ने सही अनुमान लगाया कि कमरे में कितने लोग समा सकते हैं और उन्हें कितनी जगह की आवश्यकता होगी, भले ही "रेसिपी" विशेष रूप से इस भीड़ के लिए नहीं बनाई गई थी।
कमी: उस तरफ जहाँ ज्यादातर टाइटेनियम था, कंप्यूटर ने थोड़ा कम अनुमान लगाया कि परमाणु कितनी जगह घेरते हैं (उसने सोचा कि वे बहुत अधिक कसकर पैक हैं)। लेकिन कुल मिलाकर, यह पुराने तरीकों की तुलना में एक बड़ी सफलता थी।

2. मिश्रण की शैली (क्या वे दोस्त हैं या अजनबी?)

निष्कर्ष: शोधकर्ता यह जानना चाहते थे कि एल्युमीनियम और टाइटेनियम के परमाणु अपने जैसे ही साथियों के साथ रहना पसंद करते हैं या बेतरतीब ढंग से मिलते हैं।
उपमा: एक पार्टी के बारे में सोचें। क्या एल (Al) परमाणु केवल अन्य एल परमाणुओं के साथ नाचते हैं, या वे टीआई (Ti) परमाणुओं के साथ स्वतंत्र रूप से घुलमिल जाते हैं?
परिणाम: उन्होंने पाया कि परमाणु मुख्य रूप से केवल अपनी जगह बदलकर (सबस्टीट्यूशनल मिक्सिंग) मिलते हैं। यह एक डांस फ्लोर की तरह है जहाँ लोग बेतरतीब ढंग से अपने पार्टनर बदलते हैं। यहाँ थोड़ा सा "केमिकल ऑर्डरिंग" (विशिष्ट साथियों के साथ रहने की हल्की प्राथमिकता) है, लेकिन यह बहुत कमजोर है। संरचना वैसी ही दिखती है चाहे आपके पास थोड़ा एल्युमीनियम हो या बहुत सारा।

3. गाढ़ापन (Viscosity - विस्कोसिटी)

निष्कर्ष: विस्कोसिटी यह बताती है कि तरल कितना "गाढ़ा" या "चिपचिपा" है। शहद की विस्कोसिटी अधिक होती है; पानी की कम होती है।
उपमा: वैज्ञानिकों ने जांचा कि कंप्यूटर यह भविष्यवाणी कर सकता है या नहीं कि बर्तन को चलाना कितना कठिन होगा।
परिणाम: सिम्युलेशन ने सामान्य रुझान को सही पकड़ा: जैसे-जैसे आप एल्युमीनियम में अधिक टाइटेनियम मिलाते हैं, तरल अधिक गाढ़ा (अधिक विस्कस) होता जाता है। हालाँकि, एक विशिष्ट मिश्रण (90% एल्युमीनियम) के लिए, कंप्यूटर ने भविष्यवाणी की कि तरल वास्तविक जीवन की तुलना में पतला होगा। ऐसा लगता है कि कंप्यूटर उस विशिष्ट मिश्रण में परमाणुओं को चलाने के लिए आवश्यक ऊर्जा को पूरी तरह से नहीं पकड़ सका।

4. गति (Diffusion - डिफ्यूजन)

निष्कर्ष: यह मापता है कि परमाणु कितनी तेज़ी से इधर-उधर दौड़ते हैं।
उपमा: यदि आप पानी में रंग की एक बूंद डालते हैं, तो वह कितनी तेज़ी से फैलती है?
परिणाम: कंप्यूटर ने भविष्यवाणी की कि एल्युमीनियम के परमाणु टाइटेनियम की तुलना में बहुत तेज़ी से घूमते हैं। जब उन्होंने दोनों को मिलाया, तो मिश्रण एक विशिष्ट बिंदु (लगभग 30% एल्युमीनियम) पर काफी धीमा हो गया, जिससे एक "ट्रैफिक जाम" बन गया जहाँ गति सबसे धीमी थी। यह वही है जो हम अन्य धातु मिश्र धातुओं (alloys) में देखते हैं।

मुख्य निष्कर्ष (The Big Takeaway)

इस शोध पत्र का सबसे रोमांचक हिस्सा यह है कि "यूनिवर्सल रेसिपी बुक" (मशीन लर्निंग पोटेंशियल) ने बिना किसी विशेष ट्यूनिंग के काम किया।

पुराना तरीका: आपको हर नए धातु मिश्रण के लिए एक कस्टम मॉडल बनाना पड़ता था, जो धीमा और त्रुटिपूर्ण था।
नया तरीका: यह मशीन-लर्निंग मॉडल, जो मुख्य रूप से ठोस पदार्थों पर प्रशिक्षित था, सीधे तरल अवस्था में आया और इसने शानदार काम किया।

निष्कर्ष:
वैज्ञानिकों ने साबित कर दिया कि यह आधुनिक AI टूल एक शक्तिशाली "ट्रांसफरेबल" (स्थानांतरणीय) उपकरण है। यह जटिल धातु तरल पदार्थों के व्यवहार की भविष्यवाणी कर सकता है, भले ही इसे विशेष रूप से तरल पदार्थों के बारे में नहीं सिखाया गया हो। हालाँकि इसमें कुछ छोटी खामियाँ थीं (जैसे एक विशिष्ट मिश्रण के गाढ़ेपन को कम आंकना), लेकिन इसने परमाणुओं के "पैकिंग" को उनके "रासायनिक गुणों" से सफलतापूर्वक अलग किया, जिससे हमें एक स्पष्ट तस्वीर मिली कि पिघलने पर ये उच्च-तकनीकी मिश्र धातु कैसे व्यवहार करते हैं। यह इंजीनियरों को हवाई जहाजों और कारों जैसी चीजों के लिए बेहतर, हल्के और मजबूत सामग्रियां डिजाइन करने में मदद करता है।

यहाँ "एल्-टी (Al-Ti) धातु मिश्र धातु पिघलावों के लिए एक हस्तांतरणीय मशीन-लर्निंग पोटेंशियल का उपयोग करते हुए मॉलिक्यूलर डायनेमिक्स सिमुलेशन" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

एल्युमीनियम-टाइटेनियम (Al-Ti) मिश्र धातुएं अपने उच्च शक्ति-से-भार अनुपात (strength-to-weight ratio) के कारण एयरोस्पेस और ऑटोमोटिव अनुप्रयोगों के लिए महत्वपूर्ण हैं। हालाँकि, उनके द्रव अवस्था (liquid state) में थर्मोफिजिकल और ट्रांसपोर्ट गुणों को समझना चुनौतीपूर्ण है।

अंतराल (The Gap): जबकि मॉलिक्यूलर डायनेमिक्स (MD) सिमुलेशन गुणों की भविष्यवाणी करने के लिए मानक हैं, वे पारंपरिक रूप से अनुभवजन्य पोटेंशियल (जैसे, एम्बेडेड-एटम मॉडल, EAM) पर निर्भर करते हैं। ये पोटेंशियल अक्सर सिस्टम-विशिष्ट होते हैं, जिन्हें श्रमसाध्य ट्यूनिंग की आवश्यकता होती है, और अक्सर अनुभवजन्य समायोजन के बिना द्रव-अवस्था के गुणों (जैसे, घनत्व और विसरण) का सटीक वर्णन करने में विफल रहते हैं।
चुनौती (The Challenge): एक हस्तांतरणीय (transferable) इंटरेक्शन पोटेंशियल की आवश्यकता है जो बिना पुन: प्रशिक्षण के विभिन्न संरचनाओं और चरणों (ठोस और द्रव) के लिए अलग-अलग संरचनाओं और चरणों के लिए सटीक रूप से भविष्यवाणी कर सके, विशेष रूप से Al-Ti प्रणाली के लिए जहाँ परिवहन गुणांकों (जैसे, विसरण) के लिए प्रयोगात्मक डेटा दुर्लभ है।

2. कार्यप्रणाली (Methodology)

लेखकों ने विभिन्न तापमानों ( $1550\text{--}2200$ K) और संरचनाओं ( $x_{\text{Al}} = 0.0\text{--}1.0$ ) में बाइनरी Al-Ti पिघलावों की जांच करने के लिए मॉलिक्यूलर डायनेमिक्स (MD) सिमुलेशन का उपयोग किया।

पोटेंशियल मॉडल: पारंपरिक अनुभवजन्य पोटेंशियल के बजाय, उन्होंने NEP89 (न्यूरो-इवोल्यूशन पोटेंशियल) का उपयोग किया, जो सॉन्ग एट अल और लियांग एट अल द्वारा विकसित एक मशीन-लर्निंग इंटरेक्शन पोटेंशियल (MLIP) है।
- मुख्य विशेषता: NEP89 को 89 तत्वों के विशाल डेटासेट पर प्रशिक्षित किया गया था, जो मुख्य रूप से ठोस-अवस्था (solid-state) के गुणों और एब इलिटियो (ab initio) डेटा पर केंद्रित था। इसे विशेष रूप से Al-Ti तरल डेटा पर प्रशिक्षित नहीं किया गया था, जो इसकी हस्तांतरणीयता का एक कठिन परीक्षण था।
सिमुलेशन सेटअप:
- सॉफ्टवेयर: LAMMPS।
- सिस्टम आकार: $N=10,000$ परमाणु, आवधिक सीमा स्थितियों (periodic boundary conditions) के साथ।
- प्रोटोकॉल: 2000 K पर इक्विलिब्रेशन, लक्षित तापमान तक कूलिंग, और 200 ps के प्रोडक्शन रन।
परिकलित गुण (Calculated Properties):
- स्थिर (Static): द्रव्यमान घनत्व, मोलर आयतन, अतिरिक्त आयतन (excess volume), आंशिक पेयर-कोरिलेशन फंक्शन ( $g_{\alpha\beta}(r)$ ), स्टैटिक स्ट्रक्चर फैक्टर्स ( $S(q)$ ), और कोआर्डिनेशन नंबर्स।
- गतिशील (Dynamic): श्यानता (ग्रीन-कुबो संबंध के माध्यम से), स्व-विसरण गुणांक ( $D_{\alpha}$ ), और अंतर-विसरण (interdiffusion) गुणांक ( $D_{cc}$ )।
वैधीकरण (Validation): सिमुलेशन परिणामों की तुलना कंटेनरलेस तकनीकों (इलेक्ट्रोमैग्नेटिक लेविटेशन, ऑप्टिकल डिलाटोमेट्री और न्यूट्रॉन स्कैटरिंग) के माध्यम से प्राप्त प्रयोगात्मक डेटा से की गई ताकि क्रूसिबल संदूषण से बचा जा सके।

3. मुख्य योगदान (Key Contributions)

हस्तांतरणीयता का सत्यापन: यह अध्ययन प्रदर्शित करता है कि मुख्य रूप से ठोस-अवस्था डेटा पर प्रशिक्षित एक MLIP, विशिष्ट तरल-चरण प्रशिक्षण के बिना जटिल तरल मिश्र धातुओं के थर्मोफिजिकल और डायनेमिक गुणों की सटीक भविष्यवाणी कर सकता है।
संरचनात्मक प्रभावों का पृथक्करण: सिमुलेशन ने लोकल पैकिंग प्रभावों को केमिकल ऑर्डरिंग प्रभावों से सफलतापूर्वक अलग किया, जिससे पता चला कि Al-Ti मिश्रण मुख्य रूप से प्रतिस्थापनीय (substitutional) है जिसमें कमजोर केमिकल शॉर्ट-रेंज ऑर्डर है।
ट्रांसपोर्ट गुणांकों की भविष्यवाणी: यह अध्ययन Al-Ti पिघलावों में स्व-विसरण और अंतर-विसरण गुणांकों के लिए पहली विश्वसनीय MD भविष्यवाणियां प्रदान करता है, जो उस अंतराल को भरता है जहाँ वर्तमान में प्रयोगात्मक डेटा की कमी है।
बेंचमार्किंग: यह कार्य स्थापित करता है कि तरल Al-Ti प्रणालियों के लिए पारंपरिक EAM पोटेंशियल की तुलना में NEP89 बेहतर है, विशेष रूप से घनत्व और श्यानता भविष्यवाणियों के मामले में।

4. मुख्य परिणाम (Key Results)

A. स्थिर थर्मोफिजिकल गुण (Static Thermophysical Properties)

घनत्व और आयतन: MLIP ने Al-समृद्ध संरचनाओं के लिए प्रयोगात्मक घनत्व डेटा के साथ उत्कृष्ट सहमति दिखाई। हालांकि, Ti-समृद्ध पक्ष ( $x_{\text{Al}} < 0.5$ ) पर घनत्व के व्यवस्थित ओवरएस्टिमेशन (आयतन का कम अनुमान) देखा गया, जिसमें लगभग 5% का अंतर था।
अतिरिक्त आयतन (Excess Volume): सिमुलेशन ने सभी संरचनाओं में ऋणात्मक अतिरिक्त आयतन (जो गैर-आदर्श मिश्रण को दर्शाता है) को सही ढंग से पकड़ा, जिसका न्यूनतम मान $x_{\text{Al}} \approx 0.6$ के पास था, जो प्रयोगात्मक रुझानों से मेल खाता है।
सूक्ष्म संरचना (Microstructure):
- आंशिक पेयर-कोरिलेशन फंक्शन ( $g_{\alpha\beta}$ ) ने दिखाया कि Al और Ti परमाणुओं का आकार समान है, जिससे संरचना मजबूत केमिकल ऑर्डरिंग के बजाय प्रतिस्थापनीय विकार (substitutional disorder) द्वारा नियंत्रित होती है।
- कॉन्सेंट्रेशन-कॉन्सेंट्रेशन स्ट्रक्चर फैक्टर ( $S_{cc}(q)$ ) ने कमजोर केमिकल ऑर्डरिंग को दर्शाया। सिमुलेशन ने न्यूट्रॉन स्कैटरिंग प्रयोगों की तुलना में ऑर्डरिंग स्ट्रेंथ को थोड़ा कम करके दिखाया लेकिन रुझान को सही ढंग से पहचाना।
- एक सॉफ्ट-स्फीयर मॉडल (जिसमें $n=12$ है) ने $g(r)$ के पीक पोजीशन की कॉन्सेंट्रेशन निर्भरता का सफलतापूर्वक वर्णन किया, जिससे पता चलता है कि संरचनात्मक परिवर्तन हार्ड-स्फीयर पैकिंग के बजाय सॉफ्ट इंटरैक्शन के कारण होने वाले "लोकल कंप्रेशन" द्वारा संचालित होते हैं।

B. गतिशील गुण (Dynamical Properties)

श्यानता (Viscosity):
- MLIP ने Al-समृद्ध पिघलावों ( $x_{\text{Al}} \ge 0.7$ ) के लिए श्यानता रुझानों की अच्छी भविष्यवाणी की, जो अरहेनियस नियम (Arrhenius law) का पालन करती है।
- विसंगति (Discrepancy): $x_{\text{Al}} = 0.9$ के लिए, सिमुलेशन ने प्रयोग की तुलना में एक्टिवेशन ऊर्जा और श्यानता को कम करके दिखाया। यह सुझाव देता है कि शुद्ध Al/Ti मिश्रणों में विशिष्ट डायनेमिक बैरियर्स को पकड़ने में पोटेंशियल की एक सीमा है, बावजूद इसके कि घनत्व की भविष्यवाणियां सटीक हैं।
- आइसोथर्मल रुझान: श्यानता में मध्यवर्ती संरचना ( $x_{\text{Al}} \approx 0.3$ ) पर एक अधिकतम मान देखा गया, जो मजबूत नकारात्मक अतिरिक्त गिब्स ऊर्जा वाले बाइनरी मिश्र धातुओं की एक सामान्य विशेषता है।
विसरण (Diffusion):
- स्व-विसरण (Self-Diffusion): $D_{\text{Al}}$ , $D_{\text{Ti}}$ की तुलना में लगभग एक क्रम (order of magnitude) अधिक तेज़ है। दोनों में $x_{\text{Al}} \approx 0.3$ के आसपास एक न्यूनतम देखा गया, जो श्यानता के अधिकतम मान के साथ सह-संबंधित है।
- अंतर-विसरण ( $D_{cc}$ ): अंतर-विसरण गुणांक एक थर्मोडायनामिक ड्राइविंग फोर्स (थर्मोडायनामिक फैक्टर $\Phi$ ) और गतिज प्रतिरोध (ओनसेगरर गुणांक $L$ ) के बीच का मुकाबला है।
- डार्कन सन्निकटन की विफलता (Darken Approximation Failure): अनुभवजन्य डार्कन समीकरण (जो मानता है कि अंतर-विसरण स्व-विसरण द्वारा नियंत्रित होता है) Al-समृद्ध पिघलावों ( $x_{\text{Al}} > 0.8$ ) में काफी विफल रहा, जिससे वास्तविक अंतर-विसरण गुणांक का कम अनुमान लगा। यह मजबूत सामूहिक परिवहन प्रक्रियाओं (collective transport processes) को इंगित करता है।
स्टोक्स-आइंस्टीन संबंध (Stokes-Einstein Relation): Al-समृद्ध पिघलावों में विसरण और श्यानता के बीच का संबंध ( $D\eta \propto T$ ) टूट गया। Ti ट्रेसर विसरण, बल्क श्यानता के आधार पर अपेक्षित तुलना में धीमा था, जो दर्शाता है कि Ti परमाणु तरल Al मैट्रिक्स की तुलना में अधिक "ठोस जैसी" स्थानीय वातावरण का अनुभव करते हैं।

5. महत्व (Significance)

पद्धतिगत प्रगति (Methodological Advancement): यह शोध पत्र सामान्य-उद्देश्य वाले MLIPs (जैसे, NEP) के उपयोग को मान्य करता है, जो व्यापक ट्यूनिंग की आवश्यकता वाले सिस्टम-विशिष्ट अनुभवजन्य पोटेंशियल पर निर्भरता को कम करने का मार्ग प्रदान करता है।
सामग्री डिजाइन (Material Design): Al-Ti पिघलावों में विसरण और श्यानता की सटीक भविष्यवाणी प्रदान करके, यह अध्ययन हल्के, उच्च-शक्ति वाले एयरोस्पेस घटकों के लिए कास्टिंग और सॉलिडिफिकेशन प्रक्रियाओं को अनुकूलित करने में सहायता करता है।
वैज्ञानिक अंतर्दृष्टि (Scientific Insight): यह कार्य स्पष्ट करता है कि हालांकि Al-Ti पिघलाव मजबूत थर्मोडायनामिक गैर-आदर्शता (ऋणात्मक अतिरिक्त आयतन) प्रदर्शित करते हैं, उनकी सूक्ष्म संरचना मुख्य रूप से मजबूत केमिकल ऑर्डरिंग के बजाय प्रतिस्थापनीय मिश्रण द्वारा नियंत्रित होती है।
भविष्य की दिशाएं (Future Directions): लेखक इस बात पर जोर देते हैं कि MLIPs को मान्य करने के लिए सटीक प्रयोगात्मक डेटा, विशेष रूप से उन ग्लास-फॉर्मिंग तरल पदार्थों के लिए जहाँ डायनेमिक सहसंबंध मजबूत होते हैं, अत्यंत महत्वपूर्ण है। Ti-समृद्ध घनत्व और Al-समृद्ध श्यानता में विसंगति यह सुझाव देती है कि भविष्य के MLIP प्रशिक्षण सेटों में अधिक विविध तरल-अवस्था डेटा शामिल करने की आवश्यकता हो सकती है।