🔬 materials science

Machine Learning and Molecular Simulations Reveal Mechanisms of ZIFs Polymorph Selection

मशीन लर्निंग क्लासिफायर को मेटाडायनामिक्स सिमुलेशन के साथ संयोजित करके, यह अध्ययन प्रकट करता है कि Zn(imidazolate) $_2$ मेटल-ऑर्गेनिक फ्रेमवर्क्स में विशिष्ट बहुरूपों (पॉलीमॉर्फ्स) का चयन प्री-न्यूक्लिएशन क्लस्टर चरण में ही निर्धारित हो जाता है, जो इस धारणा को चुनौती देता है कि बहुरूप चयन संश्लेषण प्रक्रिया के बाद के चरणों में होता है।

मूल लेखक: Emilio Méndez (Sorbonne Université, CNRS, Physico-chimie des Electrolytes et Nanosystèmes Interfaciaux, PHENIX, Paris, France), Rocio Semino (Sorbonne Université, CNRS, Physico-chimie des Electrolytes

प्रकाशित 2026-05-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emilio Méndez (Sorbonne Université, CNRS, Physico-chimie des Electrolytes et Nanosystèmes Interfaciaux, PHENIX, Paris, France), Rocio Semino (Sorbonne Université, CNRS, Physico-chimie des Electrolytes et Nanosystèmes Interfaciaux, PHENIX, Paris, France)

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 मास्टर शेफ हैं जो एक बहुत ही विशिष्ट प्रकार का केक बनाने की कोशिश कर रहे हैं। आप अंतिम उत्पाद को जानते हैं: एक सुंदर, क्रिस्टलीय संरचना जिसमें छेद (एक स्पंज की तरह) होते हैं जो गंध को पकड़ सकते हैं या पानी को थाम सकते हैं। लेकिन यहाँ एक रहस्य है: आपके पास एक ही बुनियादी सामग्रियां (जिंक और इमिडाज़ोलेट) हैं, फिर भी आप कई अलग-अलग "स्वादों" या आकारों के परिणाम प्राप्त कर सकते हैं, जिन्हें पॉलीमॉर्फ्स (polymorphs) कहा जाता है। कुछ घने होते हैं, कुछ फूले हुए होते हैं, और कुछ में बड़े छेद होते हैं जबकि अन्य में छोटे छेद होते हैं।

वर्षों से, वैज्ञानिकों को पता था कि इन केलों को कैसे बनाया जाता है (रेसिपी), लेकिन वे यह नहीं जानते थे कि केक तय कब करता है कि वह कौन सा आकार लेगा। क्या यह तब तय हुआ था जब मिश्रण को पहली बार मिलाया गया था? जब इसे फुलाना शुरू किया गया था? या केवल तभी जब यह पूरी तरह से पक गया था?

यह शोध पत्र, एमिलियो मेंडेज़ और रोसियो सेमिनो द्वारा, एक हाई-टेक टाइम मशीन और एक सुपर-स्मार्ट जासूस की तरह इस प्रश्न का उत्तर देने के लिए कार्य करता है। उन्होंने शक्तिशाली कंप्यूटर सिमुलेशन और आर्टिफिशियल इंटेलिजेंस का उपयोग करके इन सामग्रियों की "बेकिंग प्रक्रिया" को स्लो मोशन में देखने के लिए किया।

यहाँ उनके निष्कर्ष दिए गए हैं, जिन्हें सरल अवधारणाओं में विभाजित किया गया है:

1. "बैटर" (घोल) का चरण: प्री-न्यूक्लिएशन क्लस्टर्स (Pre-Nucleation Clusters)

केक बनने से पहले, सामग्रियां केवल वहां पड़ी नहीं रहतीं; वे आपस में टकराना और एक साथ चिपकना शुरू कर देती हैं। रसायन विज्ञान की दुनिया में, इन्हें प्री-न्यूक्लिएशन क्लस्टर्स (PNCs) कहा जाता है। इन्हें कटोरे में बनने वाले आटे के बहुत पहले, छोटे और अस्थायी ढेले समझें।

पुराना अनुमान: वैज्ञानिक पहले सोचते थे कि ये छोटे ढेर सभी एक जैसे होते हैं, चाहे आप कोई भी केक का आकार बनाने की कोशिश कर रहे हों। उनका मानना था कि आकार पर "निर्णय" बाद में लिया जाता है, जब आटा एक ठोस, अमोर्फस (आकारहीन) द्रव्यमान में बदल जाता है।
नई खोज: लेखकों ने पाया कि ये छोटे आटे के ढेर सभी एक समान नहीं होते हैं। इस बहुत प्रारंभिक चरण में भी, वे ढेर जिनका भविष्य "ZIF-4" केक बनना है, वे उन ढेलों से अलग दिखते हैं और व्यवहार करते हैं जिनका भविष्य "ZIF-10" केक बनना है।

2. "आकारहीन द्रव्यमान" का चरण: अमोर्फस इंटरमीडिएट (Amorphous Intermediates)

जैसे-जैसे प्रक्रिया आगे बढ़ती है, वे छोटे ढेर एक बड़े, अव्यवस्थित, आकारहीन द्रव्यमान (अमोर्फस इंटरमीडिएट) में मिल जाते हैं। कल्पना कीजिए कि यह प्ले-डोह (playdough) की एक गेंद है जिसे अभी तक किसी विशिष्ट आकार में ढाला नहीं गया है।

निष्कर्ष: शोधकर्ताओं ने पुष्टि की कि ये आकारहीन द्रव्यमान भी अंतिम लक्ष्य के आधार पर भिन्न होते हैं। एक द्रव्यमान जो "ZIF-3" संरचना बनने के लिए नियत है, उसका आंतरिक टेक्सचर उस द्रव्यमान से अलग है जो "ZIF-6" बनने के लिए नियत है।
"रसोई" (विलायक/Solvent) की भूमिका: उन्होंने यह भी खोजा कि जिस तरल में सामग्रियां मिश्रित होती हैं (एक विलायक जिसे DMF कहा जाता है) वह एक 'सू-शेफ' (sous-chef) की तरह कार्य करता है। यह कुछ आकारों को दूसरों पर प्राथमिकता देने के लिए स्थिर कर सकता है। कुछ केकों के लिए, तरल अंतिम आकार बनने में मदद करता है; दूसरों के लिए, यह इसे कठिन बना देता है।

3. "AI जासूस"

वे इन सूक्ष्म, अस्त-व्यस्त संरचनाओं के बीच अंतर कैसे कर पाए? मानव आँखें कंप्यूटर डेटा में अंतर नहीं देख सकती थीं। इसलिए, लेखकों ने एक न्यूरल नेटवर्क (आर्टिफिशियल इंटेलिजेंस का एक प्रकार) को एक जासूस के रूप में प्रशिक्षित किया।

उन्होंने AI को हजारों क्लस्टर्स और आकारहीन द्रव्यमान के स्नैपशॉट्स दिए।
AI ने सूक्ष्म पैटर्न को पहचानना सीखा, जैसे कि कितने परमाणु एक घेरे में जुड़े हुए थे या परमाणुओं की व्यवस्था कैसी थी।
परिणाम: AI ने 97% सटीकता के साथ सही पहचान की कि एक छोटा क्लस्टर वास्तव में किस "केक" में बदलने की कोशिश कर रहा था। इसने सिद्ध किया कि अंतिम आकार का "ब्लूप्रिंट" पहले से ही उन शुरुआती, छोटे समूहों में लिखा होता है।

मुख्य निष्कर्ष: निर्णय जल्दी लिया जाता है

इस शोध पत्र का सबसे महत्वपूर्ण निष्कर्ष यह है कि हमें इन सामग्रियों के निर्माण के बारे में अपनी समझ में बदलाव करना होगा।

कल्पना कीजिए कि आप लेगो (Lego) का किला बना रहे हैं। आपको लग सकता है कि आप केवल तभी तय करते हैं कि मीनार बनानी है या दीवार, जब आपके पास ईंटों का एक बड़ा ढेर होता है। लेकिन यह शोध पत्र दिखाता है कि निर्णय उसी क्षण लिया जाता है जब आप पहली कुछ ईंटें उठाते हैं।

लेखक निष्कर्ष निकालते हैं कि पॉलीमॉर्फ चयन प्री-न्यूक्लिएशन क्लस्टर चरण में होता है। सामग्री का "भाग्य" लगभग तुरंत ही तय हो जाता है, इससे बहुत पहले कि वह अव्यवस्थित, आकारहीन मध्यवर्ती चरण या अंतिम क्रिस्टल का रूप ले।

यह क्यों मायने रखता है?

हालांकि यह शोध पत्र विशिष्ट भविष्य के उत्पादों (जैसे नई दवाएं या जल फिल्टर) के बारे में चर्चा नहीं करता है, लेकिन यह एक मौलिक पहेली को हल करता है: अब हम जानते हैं कि यदि आप एक विशिष्ट आकार चाहते हैं, तो आप अंत तक केवल यह देखने के लिए प्रतीक्षा नहीं कर सकते कि क्या होता है। आपको मिश्रण के शुरुआती क्षणों को नियंत्रित करना होगा। यदि आप शुरुआत में ही सामग्रियों के अनुपात या तापमान को बदलते हैं, तो आप अनिवार्य रूप से उन छोटे क्लस्टरों के "DNA" को बदल रहे हैं, जो सामग्री के अंतिम आकार को निर्धारित करता है।

संक्षेप में: अंतिम क्रिस्टल की रेसिपी मिश्रण के बहुत पहले, पहले छोटे ढेलों में छिपी होती है।

यहाँ शोध पत्र "Machine Learning and Molecular Simulations Reveal Mechanisms of ZIFs Polymorph Selection" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मेटल-ऑर्गेनिक फ्रेमवर्क्स (MOFs), विशेष रूप से जिंक इमिडाज़ोलेट फ्रेमवर्क्स (ZIFs), महत्वपूर्ण बहुरूपता (polymorphism) प्रदर्शित करते हैं, जहाँ एक ही रासायनिक अग्रदूतों ( $Zn^{2+}$ और इमिडाज़ोलेट आयनों) से विभिन्न क्रिस्टल संरचनाएँ बन सकती हैं। जबकि यह व्यापक रूप से स्वीकृत है कि ZIFs का निर्माण प्री-न्यूक्लिएशन क्लस्टर्स (PNCs) और एक मध्यवर्ती अमोर्फस (अनाकार) चरण के माध्यम से गैर-शास्त्रीय न्यूक्लिएशन (non-classical nucleation) द्वारा होता है, एक महत्वपूर्ण ज्ञान अंतराल बना हुआ है: स्व-संयोजन (self-assembly) प्रक्रिया के किस विशिष्ट चरण में अंतिम बहुरूप (polymorph) का चयन होता है?

वर्तमान समझ बताती है कि चयन अमोर्फस मध्यवर्ती चरण में हो सकता है, लेकिन यह स्पष्ट नहीं है कि संरचनात्मक विभेदन पहले (PNC चरण पर) होता है या बाद में (ओस्टवाल्ड राइपनिंग के माध्यम से)। क्षणिक, अल्पकालिक प्रजातियों जैसे PNCs का प्रयोगात्मक लक्षण वर्णन करना अत्यंत कठिन है, जिसके लिए उन्नत डेटा विश्लेषण के साथ एक कम्प्यूटेशनल दृष्टिकोण की आवश्यकता होती है।

2. कार्यप्रणाली (Methodology)

लेखकों ने चार $Zn(Im)_2$ बहुरूपों: ZIF-3, ZIF-4, ZIF-6, और ZIF-10 के संश्लेषण तंत्र की जांच करने के लिए एन्हांस्ड सैंपलिंग मॉलिक्यूलर डायनेमिक्स (MD) को मशीन लर्निंग (ML) वर्गीकरण के साथ जोड़कर एक हाइब्रिड दृष्टिकोण का उपयोग किया।

A. आणविक सिमुलेशन (Molecular Simulations)

फोर्स फील्ड (Force Field): अध्ययन में nb-ZIF-FF का उपयोग किया गया, जो एक आंशिक रूप से प्रतिक्रियाशील फोर्स फील्ड है जो बॉन्ड टूटने और बनने की मॉडलिंग करने में सक्षम है, और विभिन्न ZIF बहुरूपों के लिए मान्य है।
सिमुलेशन स्थितियाँ: DMF विलायक में सॉल्वोथर्मल स्थितियों का अनुकरण करते हुए, $T=400$ K और $P=1$ bar पर NPT एन्सेम्बल का उपयोग किया गया।
एन्हांस्ड सैंपलिंग (Enhanced Sampling): बॉन्ड पुनर्व्यवस्था की उच्च ऊर्जा बाधाओं के कारण, लेखकों ने Adaptive Path Collective Variable (Path-CV) मेटाडायनेमिक्स का उपयोग किया।
- Path-CV: एक एकल रिएक्शन कोऑर्डिनेट के बजाय, वैश्विक (जैसे, समन्वय संख्या) और स्थानीय (पर्यावरण समानता) विशेषताओं के संयोजन का उपयोग करके एक उच्च-आयामी पथ बनाया गया। इस पथ के साथ प्रगति ( $q$ ) को कलेक्टिव वेरिएबल के रूप में उपयोग किया गया।
- दो सिमुलेशन सेट:
  1. अमोर्फस-टू-क्रिस्टल (Amorphous-to-Crystal): क्रिस्टल संरचनाओं को अमोर्फस मध्यवर्ती उत्पन्न करने के लिए पिघलाना और क्वेंच करना, फिर फ्री एनर्जी लैंडस्केप ( $\Delta G$ ) को वापस क्रिस्टल तक मैप करना।
  2. आयन-टू-पोर (Ion-to-Pore - PNC निर्माण): लक्षित पोर संरचना बनाने के लिए विलायक में घुले आयनों से शुरू करना। पोर निर्माण के दौरान अभिकारकों की सांद्रता को स्थिर बनाए रखने के लिए Constant Chemical Potential Molecular Dynamics (C $\mu$ MD) का उपयोग किया गया।

B. ऊष्मप्रवैगिकी विश्लेषण (Thermodynamic Analysis)

फ्री एनर्जी लैंडस्केप्स: मेटास्टेबल अवस्थाओं (PNCs, अमोर्फस मध्यवर्ती) और ट्रांजिशन स्टेट्स की पहचान करने के लिए $\Delta G(q)$ प्रोफाइल का पुनर्निर्माण किया गया।
विलायक प्रभाव (Solvent Effects): DMF की उपस्थिति में अमोर्फस-टू-क्रिस्टल संक्रमण के फ्री ऊर्जा गणना के लिए एक थर्मोडायनामिक चक्र का उपयोग किया गया। इसमें विलायक अधिशोषण और फ्रेमवर्क विस्तार को ध्यान में रखने के लिए हाइब्रिड ग्रैंड कैनोनिकल मोंटे कार्लो (GCMC)/MD सिमुलेशन का उपयोग किया गया।

C. मशीन लर्निंग वर्गीकरण (Machine Learning Classification)

यह निर्धारित करने के लिए कि क्या क्षणिक प्रजातियाँ विभिन्न बहुरूपों के लिए संरचनात्मक रूप से भिन्न थीं, लेखकों ने न्यूरल नेटवर्क (NN) क्लासिफायर विकसित किए:

डिस्क्रिप्टर्स (Descriptors): स्थानीय Zn-केंद्रित वातावरण को Behler-Parrinello Symmetry Functions (BPSF) का उपयोग करके वर्णित किया गया, जो अनुवाद (translation), रोटेशन और परम्यूटेशन के प्रति अपरिवर्तनीय (invariant) हैं।
आर्किटेक्चर: दो हिडन लेयर्स (प्रत्येक में 64 नोड्स) और एक सॉफ्टमैक्स आउटपुट लेयर (4 बहुरूपों का प्रतिनिधित्व करने वाले 4 नोड्स) वाला एक फुली कनेक्टेड फीड-फॉरवर्ड न्यूरल नेटवर्क।
कार्य:
1. विभिन्न बहुरूपों के अमोर्फस मध्यवर्तियों के भीतर स्थानीय Zn वातावरण को वर्गीकृत करना।
2. प्री-न्यूक्लिएशन क्लस्टर्स (PNCs) के वैश्विक विन्यास को वर्गीकृत करना।
तर्क: यदि NN विभिन्न बहुरूप संश्लेषण मार्गों से उत्पन्न संरचनाओं के बीच उच्च सटीकता के साथ अंतर कर सकता है, तो इसका तात्पर्य है कि वे संरचनात्मक रूप से विशिष्ट हैं, जो प्रारंभिक बहुरूप चयन का संकेत देता है।

3. मुख्य परिणाम (Key Results)

A. अमोर्फस मध्यवर्तियों की ऊष्मप्रवैगिकी (Thermodynamics of Amorphous Intermediates)

विलायक निर्भरता: अमोर्फस बनाम क्रिस्टलीय चरणों की सापेक्ष स्थिरता, बहुरूप और विलायक अंतःक्रियाओं पर अत्यधिक निर्भर है।
- ZIF-4 और ZIF-10: DMF में क्रिस्टलीय चरण अमोर्फस चरण की तुलना में अधिक स्थिर है।
- ZIF-3 और ZIF-6: वैक्यूम में अमोर्फस चरण क्रिस्टल की तुलना में अधिक स्थिर है, लेकिन विलायक अधिशोषण ZIF-10 (बड़े छिद्र) के लिए क्रिस्टल को स्थिर करता है, जबकि ZIF-3 के लिए विशिष्ट विलायक मिश्रणों की आवश्यकता होती है (प्रयोगात्मक रूप से देखा गया)।
संरचनात्मक विशिष्टता: समान रेडियल डिस्ट्रीब्यूशन फंक्शन ( $g(r)$ ) के बावजूद, NN क्लासिफायर ने विभिन्न बहुरूपों के अमोर्फस मध्यवर्तियों के बीच अंतर करने में 93.5% सटीकता प्राप्त की। यह सिद्ध करता है कि अमोर्फस चरण संरचनात्मक रूप से समतुल्य नहीं हैं; वे लक्षित क्रिस्टल की सरंध्रता (porosity) (जैसे, रिंग सांख्यिकी) के "चिह्न" बनाए रखते हैं।

B. प्री-न्यूक्लिएशन क्लस्टर्स (PNCs) और बहुरूप चयन (Polymorph Selection)

निर्माण तंत्र: पोर निर्माण दो-चरणीय प्रक्रिया का पालन करता है:
1. विलायक में घुले आयनों से ओलिगोमेरिक क्लस्टर्स (PNCs) का निर्माण (कम अवरोध/barrier)।
2. लक्षित पोर में PNCs का विकास और टोपोलॉजिकल पुनर्गठन (उच्च अवरोध ट्रांजिशन स्टेट)।
सक्रियण ऊर्जा (Activation Energies): पोर निर्माण के लिए सक्रियण ऊर्जा बहुरूपों के अनुसार भिन्न होती है:
- $\Delta G^\ddagger_{ZIF-4} \approx \Delta G^\ddagger_{ZIF-10} < \Delta G^\ddagger_{ZIF-6} < \Delta G^\ddagger_{ZIF-3}$ ।
- ZIF-4 में सबसे कम अवरोध है, जो इसके सबसे सामान्य रूप से संश्लेषित बहुरूप होने के अनुरूप है।
PNC विभेदन: महत्वपूर्ण रूप से, NN क्लासिफायर ने विभिन्न बहुरूपों से जुड़े PNCs के बीच अंतर करने में 97% सटीकता प्राप्त की।
- निष्कर्ष: PNCs बहुरूप-निर्भर (polymorph-dependent) हैं। इस सबसे प्रारंभिक चरण में भी, क्लस्टर्स में संरचनात्मक हस्ताक्षर (जैसे, श्रृंखला की लंबाई, ब्रांचिंग, रिंग सांख्यिकी) होते हैं जो अंतिम क्रिस्टल संरचना के साथ सहसंबंध रखते हैं।

C. संरचनात्मक विकास (Structural Evolution)

बॉन्ड निर्माण: तीन-चरणीय पैटर्न का पालन करता है: तीव्र प्रारंभिक बॉन्डिंग, स्थिर-अवस्था रैखिक विकास, और अंतिम पुनर्गठन।
समन्वय (Coordination): PNCs मुख्य रूप से रैखिक श्रृंखलाएं (2-कोऑर्डिनेटेड Zn) हैं जिनमें ब्रांच्ड संरचनाओं का एक छोटा हिस्सा (3-कोऑर्डिनेटेड Zn) होता है। अंतिम अवस्था में 2-कोऑर्डिनेटेड और 3-कोऑर्डिनेटेड Zn आयनों का अनुपात विभिन्न बहुरूपों के बीच काफी भिन्न होता है, और ये अंतर PNC चरण में ही पता लगाने योग्य होते हैं।

4. प्रमुख योगदान (Key Contributions)

चयन चरण की पहचान: यह अध्ययन इस बात का पहला कम्प्यूटेशनल प्रमाण प्रदान करता है कि बहुरूप चयन प्री-न्यूक्लिएशन क्लस्टर (PNC) चरण जितनी जल्दी होता है, जो इस परिकल्पना को चुनौती देता है कि चयन केवल अमोर्फस मध्यवर्ती चरण में होता है।
कार्यप्रणाली ढांचा (Methodological Framework): जटिल टोपोलॉजिकल पुनर्गठन को पकड़ने में विफल रहने वाले पारंपरिक ऑर्डर पैरामीटर्स की सीमाओं को पार करने के लिए, एडेप्टिव पाथ मेटाडायनेमिक्स को न्यूरल नेटवर्क वर्गीकरण के साथ सफलतापूर्वक एकीकृत किया।
ऊष्मप्रवैगिकी अंतर्दृष्टि: विशिष्ट बहुरूपों को स्थिर करने में विलायक (DMF) की महत्वपूर्ण भूमिका को मात्रात्मक रूप से समझाया, जिससे यह स्पष्ट हुआ कि क्यों कुछ ZIFs (जैसे ZIF-3 और ZIF-6) को विशिष्ट विलायक स्थितियों या एडिटिव्स की आवश्यकता होती है।
संरचनात्मक फिंगरप्रिंटिंग: यह प्रदर्शित किया कि अमोर्फस मध्यवर्ती और PNCs सामान्य "अव्यवस्थित" चरण नहीं हैं, बल्कि उनमें लक्षित बहुरूप के विशिष्ट संरचनात्मक फिंगरप्रिंट (रिंग सांख्यिकी, समन्वय वातावरण) होते हैं।

5. महत्व (Significance)

यह कार्य MOF संश्लेषण तंत्र की समझ को मौलिक रूप से बदल देता है। यह सिद्ध करके कि बहुरूप चयन PNC चरण में होता है, यह सुझाव देता है कि प्रारंभिक क्लस्टर निर्माण को प्रभावित करने के लिए संश्लेषण स्थितियों (जैसे, धातु-से-लिगैंड अनुपात, विलायक का चुनाव) को नियंत्रित करना पहले की तुलना में अधिक महत्वपूर्ण है।

यह कार्यप्रणाली सामग्री विज्ञान में जटिल स्व-संयोजन प्रक्रियाओं के अध्ययन के लिए एक ब्लूप्रिंट के रूप में कार्य करती है। यह दर्शाता है कि एन्हांस्ड सैंपलिंग सिमुलेशन को मशीन लर्निंग के साथ जोड़कर उन यांत्रिक विवरणों को प्रकट किया जा सकता है जो अकेले प्रयोगात्मक तकनीकों के लिए अदृश्य हैं, जिससे लक्षित MOF बहुरूपों के लिए संश्लेषण प्रोटोकॉल के तर्कसंगत डिजाइन में मार्गदर्शन मिल सकता है।