🔬 materials science

Probing Non-Equilibrium Grain Boundary Dynamics with XPCS and Domain-Adaptive Machine Learning

यह शोध पत्र एक्स-रे फोटॉन सहसंबंध स्पेक्ट्रोस्कोपी (XPCS) को डोमेन-अनुकूली मशीन लर्निंग के साथ संयोजित करने वाली एक नवीन कार्यप्रणाली स्थापित करता है ताकि नैनोक्रिस्टलाइन सिलिकॉन में गैर-संतुलन ग्रेन बाउंड्री गतिकी की मात्रात्मक जांच की जा सके, जो जटिल प्रयोगात्मक उतार-चढ़ाव मानचित्रों से प्रमुख गतिज मापदंडों को सफलतापूर्वक निकालता है जो पहले अप्राप्य थे।

मूल लेखक: Mouyang Cheng, Bowen Yu, Chu-Liang Fu, Nina Andrejevic, Matthias T. Agne, Riley Hanus, Qiwei Wan, Nathan C. Drucker, Thanh Nguyen, Andrei Fluerasu, Lutz Wiegart, Xiaoqian M Chen, Daniel Pajerowski, Yo

प्रकाशित 2026-05-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mouyang Cheng, Bowen Yu, Chu-Liang Fu, Nina Andrejevic, Matthias T. Agne, Riley Hanus, Qiwei Wan, Nathan C. Drucker, Thanh Nguyen, Andrei Fluerasu, Lutz Wiegart, Xiaoqian M Chen, Daniel Pajerowski, Yongqiang Cheng, Joshua J Turner, G. Jeffrey Snyder, Mingda Li

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

एक बड़ी तस्वीर: अदृश्य दीवारों को चलते हुए देखना

कल्पना कीजिए कि किसी पदार्थ (जैसे सिलिकॉन) का एक ब्लॉक एक ठोस, चिकनी ईंट नहीं है, बल्कि लाखों छोटे-छोटे पहेली के टुकड़ों से बना एक मोज़ेक है जिन्हें ग्रेन्स (grains) कहा जाता है। जहाँ ये टुकड़े मिलते हैं, उन रेखाओं को ग्रेन बाउंड्रीज़ (grain boundaries) कहा जाता है।

आमतौर पर, वैज्ञानिक इन रेखाओं को स्थिर दीवारों के रूप में देखते हैं। लेकिन वास्तव में, विशेष रूप से सूक्ष्म (नैनोक्रिस्टलाइन) पदार्थों में, ये दीवारें जीवित होती हैं। वे हिलती हैं, फिसलती हैं और समय के साथ खुद को पुनर्गठित करती हैं। यह हलचल नियंत्रित करती है कि पदार्थ कितना मजबूत है और वह कितने समय तक टिका रहेगा।

समस्या क्या है? ये दीवारें अविश्वसनीय रूप से धीरे चलती हैं—कभी-कभी थोड़ा सा भी खिसकने के लिए इन्हें मिनटों या घंटों का समय लगता है। वे कोई बड़े, स्पष्ट बदलाव नहीं करतीं जिन्हें आप माइक्रोस्कोप से देख सकें। इसके बजाय, वे हलचल की धुंधली, अस्पष्ट "परछाइयाँ" बनाती हैं जिन्हें पकड़ना कठिन होता है।

उपकरण: XPCS (द "इको" मशीन)

इन धीमी हलचलों को देखने के लिए, शोधकर्ताओं ने एक्स-रे फोटॉन सहसंबंध स्पेक्ट्रोस्कोपी (X-ray Photon Correlation Spectroscopy - XPCS) नामक तकनीक का उपयोग किया।

XPCS को एक धूल भरी खिड़की पर लेजर पॉइंटर चमकाने जैसा समझें। प्रकाश बिखरता है और एक चित्तीदार पैटर्न (जैसे आकाश में तारे) बनाता है। यदि धूल के कण हिलते हैं, तो तारों का पैटर्न बदल जाता है।

चुनौती: शोधकर्ताओं ने केवल एक फोटो नहीं ली। उन्होंने कई घंटों तक हजारों फोटो लीं ताकि यह देखा जा सके कि "तारों का पैटर्न" कैसे बदलता है।
परिणाम: उन्हें एक विशाल, जटिल मानचित्र मिला जिसे टू-टाइम कोरिलेशन मैप (two-time correlation map) कहा जाता है। यह एक ग्रिड है जो दिखाता है कि एक क्षण का पैटर्न बाद के क्षण के पैटर्न से कैसे संबंधित है।

समस्या: "नॉइज़" (शोर) की दीवार

यहाँ एक बाधा है: ये मानचित्र अविश्वसनीय रूप से अव्यवस्थित होते हैं। ये उच्च-आयामी (बहुत सारे डेटा बिंदु) हैं और शोर (static) से भरे हुए हैं। यह एक तूफान के बीच फुसफुसाहट सुनने जैसा है।

चुनौती: ये मानचित्र दिखाते हैं कि पदार्थ संतुलन (equilibrium) में नहीं है (यह स्थिर नहीं हुआ है; यह अभी भी जटिल तरीकों से "थरथरा" और बदल रहा है)। लेकिन मानचित्र इतने शोर वाले हैं कि वैज्ञानिक केवल उन्हें देखकर यह नहीं कह सकते कि, "आह, दीवारें X गति से चल रही हैं।"
अंतराल: उनके पास एक सिद्धांत (गणित) था जो भविष्यवाणी करता था कि यदि उन्हें दीवारों की सटीक गति पता हो, तो उनके मानचित्र कैसे दिखने चाहिए। लेकिन जब उन्होंने उस गणित को वास्तविक, अव्यवस्थित प्रयोगात्मक डेटा पर लागू करने की कोशिश की, तो वह पूरी तरह से विफल रहा। वास्तविक डेटा आदर्श सिद्धांत से बहुत अलग दिखता था।

समाधान: "ट्रांसलेटर" AI

इसे ठीक करने के लिए, टीम ने एक विशेष मशीन लर्निंग (AI) ट्रांसलेटर बनाया। उन्होंने डोमेन-एडेप्टिव लर्निंग (Domain-Adaptive Learning) नामक तकनीक का उपयोग किया।

यह AI कैसे काम करता है, इसके लिए एक उपमा (analogy) देखें:

सिमुलेशन (प्रशिक्षण स्कूल): सबसे पहले, उन्होंने कंप्यूटर का उपयोग करके ग्रेन बाउंड्रीज़ के हिलने के लाखों आदर्श, स्वच्छ परिदृश्यों का अनुकरण (simulate) किया। वे सिमुलेशन में दीवारों की सटीक "गति" और "कठोरता" जानते थे। उन्होंने AI को मानचित्र के पैटर्न को पहचानने और गति का अनुमान लगाने के लिए प्रशिक्षित किया।
- परिणाम: AI सिम्युलेटेड मानचित्रों को पढ़ने में जीनियस बन गया।
वास्तविक दुनिया (एक विदेशी भाषा): जब उन्होंने AI को वास्तविक प्रयोगात्मक मानचित्र दिखाए, तो वह भ्रमित हो गया। वास्तविक मानचित्रों में वह "शोर" और "स्टैटिक" था जो सिमुलेशन में नहीं था। यह ऐसा था जैसे AI ने अंग्रेजी पूरी तरह सीख ली हो, लेकिन अचानक उससे एक ऐसी भाषा में लिखने को कहा गया हो जिसमें भारी स्लैंग और बैकग्राउंड शोर हो।
अनुकूलन (एक पुल): शोधकर्ताओं ने AI को फेंका नहीं। इसके बजाय, उन्होंने इसे दोनों दुनियाओं को संरेखित (align) करना सिखाया।
- उन्होंने AI को बताया: "वास्तविक डेटा में शोर के आकार को देखो और उसे सिमुलेशन में शोर के आकार से मिलाओ।"
- उन्होंने एक नियम जोड़ा: "यदि वास्तविक डेटा 'थरथराहट' (non-equilibrium) वाला दिखता है, तो AI को ऐसी गति की भविष्यवाणी करनी चाहिए जो उस स्तर की थरथराहट से मेल खाती हो।"

AI को मजबूर करके कि वह आदर्श सिमुलेशन और अव्यवस्थित वास्तविक दुनिया के बीच सामान्य आधार खोजे, AI ने शोर को अनदेखा करना और भौतिकी (physics) पर ध्यान केंद्रित करना सीख लिया।

खोज: उन्होंने क्या पाया

एक बार जब AI प्रशिक्षित हो गया, तो वह वास्तविक प्रयोगात्मक मानचित्रों को देख सकता था और तुरंत शोधकर्ताओं को ग्रेन बाउंड्रीज़ के बारे में तीन प्रमुख बातें बता सकता था:

परमाणु कितनी तेजी से विसरित (diffuse) हो रहे हैं (यानी बेतरतीब ढंग से घूम रहे हैं)।
ग्रेन बाउंड्रीज़ कितनी "कठोर" (stiff) हैं (उन्हें मोड़ना कितना कठिन है)।
सिग्नल में कितने ग्रेन बाउंड्रीज़ सक्रिय हैं।

बड़ी घोषणा:
अध्ययन ने दिखाया कि कम तापमान पर, ग्रेन बाउंड्रीज़ एक शांत झील की तरह कार्य करती हैं (equilibrium)। लेकिन जैसे ही उन्होंने पदार्थ को गर्म किया, सीमाएं अराजक और "थरथराती" (non-equilibrium) हो गईं। वे केवल स्थिर नहीं हुईं; वे घंटों तक निरंतर, इतिहास-निर्भर गति की स्थिति में बनी रहीं। AI ने साबित कर दिया कि ये सीमाएं लंबे समय तक भी "स्थिर" नहीं हैं।

सारांश

लक्षक्य: यह मापना कि सामग्रियों के भीतर सूक्ष्म दीवारें समय के साथ कितनी धीरे चलती हैं।
बाधा: डेटा बहुत शोर वाला और जटिल है जिसे मानक गणित से हल नहीं किया जा सकता।
समाधान: एक AI जो पूर्ण कंप्यूटर सिमुलेशन से सीखता है लेकिन अव्यवस्थित वास्तविक दुनिया के डेटा को समझने के लिए अपने दिमाग को "अनुकूलित" (adapt) करता है।
परिणाम: उन्होंने सफलतापूर्वक धुंधले, शोर वाले एक्स-रे पैटर्न को स्पष्ट संख्याओं में बदल दिया जो यह बताती हैं कि सामग्री की आंतरिक संरचना कैसे हिल रही है और ढल (relax) रही है।

यह दृष्टिकोण केवल एक समस्या को हल नहीं करता है; यह "धुंधले" प्रयोगात्मक संकेतों को सटीक वैज्ञानिक माप में बदलने के लिए AI का उपयोग करने का एक नया तरीका बनाता है।

तकनीकी सारांश: XPCS और डोमेन-एडेप्टिव मशीन लर्निंग के माध्यम से नॉन-इक्विलिब्रियम ग्रेन बाउंड्री डायनेमिक्स की जांच

समस्या विवरण
नैनोक्रिस्टलाइन सामग्रियों में ग्रेन बाउंड्रीज़ (GBs) गतिशील मेसोस्केल ऑब्जेक्ट्स हैं जिनकी माइग्रेशन, स्लाइडिंग और रिलैक्सेशन सामग्री की स्थिरता और मैकेनिकल रिस्पॉन्स को निर्धारित करते हैं। हालांकि, उनकी धीमी, नॉन-इक्विलिब्रियम गति (जो मिनटों से घंटों तक चलती है) तक प्रायोगिक पहुंच सीमित रही है। जबकि हाई-एनर्जी डिफ्रैक्शन माइक्रोस्कोपी और इलेक्ट्रॉन माइक्रोस्कोपी जैसी तकनीकें संरचनात्मक दृश्य प्रदान करती हैं, उनमें धीमी, नॉन-इक्विलिब्रियम GB रिलैक्सेशन को मापने के लिए आवश्यक टेम्पोरल विंडो और सांख्यिकीय औसत का अभाव है। फलस्वरूप, प्रमुख डायनेमिकल लॉज़—जैसे कि कर्वेचर-ड्रिवन माइग्रेशन और नॉइज़-एक्टिवेटेड होपिंग—प्रायोगिक रूप से मान्य करना कठिन बना हुआ है। इसके अलावा, एक्स-रे फोटॉन कोरिलेशन स्पेक्ट्रोस्कोपी (XPCS) डेटा से मात्रात्मक भौतिक मापदंडों (parameters) को निकालना चुनौतीपूर्ण है क्योंकि परिणामी टू-टाइम कोरिलेशन मैप्स उच्च-आयामी (high-dimensional), शोर युक्त (noisy) और अक्सर इक्विलिब्रियम से दूर होते हैं।

कार्यप्रणाली
लेखक अप्रत्यक्ष उतार-चढ़ाव संकेतों (fluctuation signals) और मात्रात्मक काइनेटिक मापदंडों के बीच के अंतर को पाटने के लिए प्रयोग, निरंतर मॉडल (continuum theory) और सेमी-सुपरवाइज्ड डोमेन-एडेप्टिव मशीन लर्निंग को संयोजित करने वाला एक एकीकृत वर्कफ़्लो प्रस्तावित करते हैं।

प्रायोगिक दृष्टिकोण: नैनोस्ट्रक्चर्ड बल्क सिलिकॉन पर ग्रेजिंग-इन्सिडेंट स्मॉल-एंगल एक्स-रे स्कैटरिंग (GISAXS) का उपयोग करके XPCS माप किए गए। इस अध्ययन में 299 K से 471 K के तापमान रेंज में टू-टाइम इंटेंसिटी-इंटेंसिटी कोरिलेशन फंक्शन, $g_2(q, t_1, t_2)$ को मापा गया। टाइम-ट्रांसलेशन इनवेरिएंस (TTI) के टूटने को मापने के लिए एक नॉन-इक्विलिब्रियम मेट्रिक, $S_{noneq}$ को परिभाषित किया गया, जो $g_2$ के TTI बेसलाइन के सापेक्ष विचरण (variance) को मापता है।
सैद्धांतिक मॉडलिंग: इन टाइमस्केल्स के लिए एटोमिस्टिक सिमुलेशन की अत्यधिक लागत से बचने के लिए, एक कोर्स-ग्रेन्ड कॉन्टिनम मॉडल विकसित किया गया। मॉडल इंटरफेशियल हाइट $z(x,t)$ के लिए एक स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) के रूप में GB मोशन को मानता है, जो कर्वेचर और थर्मल नॉइज़ द्वारा संचालित होता है। कुल स्कैटरिंग सिग्नल को बल्क डिफ्यूजन (जो बल्क डिफ्यूज़िविटी $D$ द्वारा अभिलक्षित है) और नॉन-इक्विलिब्रियम GB मोशन (जो GB स्टिफनेस $\Gamma$ और प्रभावी GB कंसंट्रेशन $\lambda_{GB}$ द्वारा अभिलक्षित है) के मिश्रण के रूप में मॉडल किया गया है। यह मॉडल $(D, \Gamma, \lambda_{GB})$ मापदंडों के ग्रिड पर सिंथेटिक $g_2$ मैप्स उत्पन्न करता है।
मशीन लर्निंग फ्रेमवर्क: $g_2$ $g_{2}$ मैप्स को फीचर वेक्टर्स में मैप करने के लिए एक सेमी-सुपरवाइज्ड डोमेन-एडेप्टिव लर्निंग फ्रेमवर्क डिजाइन किया गया।
- आर्किटेक्चर: एक कनवोल्यूशनल न्यूरल नेटवर्क (CNN) फीचर एक्सट्रैक्टर $g_2$ मैप्स को फीचर वेक्टर्स में मैप करता है, जिसके बाद $(D, \Gamma, \lambda_{GB})$ के लिए एक मल्टी-लेयर परसेप्ट्रॉन (MLP) प्रेडिक्टर आता है।
- ट्रेनिंग स्ट्रैटेजी: मॉडल एक ड्यूल-लॉस ऑब्जेक्टिव का उपयोग करता है। एक प्रेडिक्टिव लॉस ( $L_y$ ) लेबल किए गए सिम्युलेटेड डेटा पर प्रशिक्षित किया जाता है ताकि $g_2$ से मापदंडों के मैपिंग को सीखा जा सके। एक डोमेन एलाइनमेंट लॉस ( $L_d$ ), विशेष रूप से एक CORAL (कोरिलेशन एलाइनमेंट) लॉस, सिम्युलेटेड और अनलेबल एक्सपेरिमेंटल डेटा के फीचर डिस्ट्रीब्यूशन को अलाइन करता है। इसके अतिरिक्त, एक नॉन-इक्विलिब्रियम कंसिस्टेंसी कंस्ट्रेंट यह सुनिश्चित करता है कि एक्सपेरिमेंटल डेटा के लिए अनुमानित मापदंड $S_{noneq}$ के मापे गए मानों को पुनरुत्पादित (reproduce) करें।

मुख्य परिणाम

प्रायोगिक अवलोकन: नैनोक्रिस्टलाइन सिलिकॉन पर XPCL मापनों ने 299 K पर निकट-इक्विलिब्रियम डायनेमिक्स (जहाँ $g_2$ टाइम-ट्रांसलेशन इनवेरिएंट है) से उच्च तापमान (371 K–471 K) पर दृढ़ नॉन-इक्विलिब्रियम व्यवहार की ओर एक स्पष्ट संक्रमण दिखाया। उच्च तापमान पर, कोरिलेशन मैप्स ने जटिल, हिस्ट्री-डिपेंडेंट संरचनाएं (ब्लॉक-लाइक और बैंडेड वेजेज) प्रदर्शित कीं, जहाँ $S_{noneq}$ 299 K पर 0.097 से बढ़कर 471 K पर 0.837 हो गया।
मॉडल वैलिडेशन: कॉन्टिनम SDE मॉडल ने प्रायोगिक टू-टाइम संरचनाओं के पदानुक्रम (hierarchy) को सफलतापूर्वक पुनरुत्पादित किया, जो पूर्ण रेंज के नॉन-इक्विलिब्रियम मापों को कवर करता है। मॉडल ने दिखाया कि नॉन-इक्विलिब्रियम व्यवहार फास्ट बल्क डिफ्यूजन (जो TTI को संचालित करता है) और स्लो, कर्वेचर-ड्रिवेन GB डायनेमिक्स के बीच प्रतिस्पर्धा से उत्पन्न होता है।
डोमेन अडैप्टेशन प्रदर्शन: केवल सिमुलेशन पर प्रशिक्षित एक मानक सुपरवाइज्ड मॉडल एक्सपेरिमेंटल डेटा पर सामान्यीकरण (generalize) करने में विफल रहा, और "डोमेन गैप" (शोर, इंस्ट्रूमेंटल रिस्पॉन्स, अनमॉडल किया गया माइक्रोस्ट्रक्चर) के कारण आउटलायर क्षेत्रों में कोलैप्स हो गया। डोमेन-एडेप्टिव फ्रेमवर्क ने एक्सपेरिमेंटल और थ्योरिटिकल फीचर स्पेस को सफलतापूर्वक अलाइन किया। अडैप्टेशन के बाद, मॉडल ने एक्सपेरिमेंटल डेटा के लिए भौतिक रूप से सार्थक मापदंडों का अनुमान लगाया, जो उन्हें $(D, \lambda_{GB})$ पैरामीटर स्पेस के अपेक्षित क्रॉसओवर रिजीम्स के भीतर रखता है और उच्च प्रेडिक्टिव सटीकता ( $R^2 \approx 0.95$ ) बनाए रखता है।

प्रमुख योगदान

GB डायनेमिक्स का मात्रात्मक प्रोब: यह कार्य XPCS को, मशीन लर्निंग द्वारा सुसज्जित होकर, धीमे, नॉन-इक्विलिब्रियम GB डायनेमिक्स के मात्रात्मक प्रोब के रूप में स्थापित करता है, जो फ्लक्चुएशन सिग्नल्स से सीधे प्रमुख काइनेटिक मापदंडों ( $D, \Gamma, \lambda_{GB}$ ) को निकालता है।
सेमी-सुपरवाइज्ड डोमेन अडैप्टेशन: यह पेपर एक विशिष्ट सेमी-सुपरवाइज्ड फ्रेमवर्क पेश करता है जो लेबल किए गए एक्सपेरिमेंटल डेटा की आवश्यकता के बिना सिमुलेशन-एक्सपेरिमेंट गैप को पाटता है। डोमेन एलाइनमेंट और फिजिकल कंसिस्टेंसी कंस्ट्रेंट्स (नॉन-इक्विलिब्रियम मेजर्स) का उपयोग करके, यह डेटा-दुर्लभ (data-scarce) परिदृश्यों में मजबूत अनुमान सक्षम करता है।
न्यूनतम भौतिक मॉडल: यह अध्ययन प्रदर्शित करता है कि एक न्यूनतम कॉन्टिनम मॉडल, जिसमें केवल बल्क डिफ्यूजन और कर्वेचर-ड्रिवेन GB मोशन शामिल है, जटिल GB रिलैक्सेशन के आवश्यक भौतिकी को कैप्चर करने के लिए पर्याप्त है।

महत्ता और दावे
लेखक दावा करते हैं कि यह कार्य अप्रत्यक्ष फ्लक्चुएशन सिग्नल्स को मात्रात्मक मटेरियल डायनेमिक्स में बदलकर सॉलिड्स में नॉन-इक्विलिब्रियम डिफेक्ट मोशन के अध्ययन के लिए एक सामान्य मार्ग प्रदान करता है। इसकी महत्ता उन टाइमस्केल्स और कमजोर फ्लक्चुएशन रिजीम्स तक पहुँचने की क्षमता में निहित है जो रियल-स्पेस इमेजिंग के लिए दुर्गम हैं। पेपर इस दृष्टिकोण को एक क्लोज्ड-लूप फ्रेमवर्क की दिशा में एक कदम के रूप में प्रस्तुत करता है जहाँ प्रायोगिक डेटा पुनरावृत्ति से सैद्धांतिक मॉडलों को परिष्कृत करता है और इसके विपरीत। लेखक विनम्रतापूर्वक सीमाओं को स्वीकार करते हुए कहते हैं कि कॉन्टिनम मॉडल एटोमिस्टिक मैकेनिज्म (जैसे डायनेमिक हेटेरोजेनिटी) को कैप्चर नहीं करता है और यह दृष्टिकोण यह मान लेता है कि प्रायोगिक अवलोकन सिम्युलेटेड पैरामीटर स्पेस के दायरे में हैं। फिर भी, वे तर्क देते हैं कि यह फ्रेमवर्क जटिल मटेरियल सिस्टम में प्रायोगिक और कम्प्यूटेशनल डेटा को तालमेल बिठाने के लिए एक स्थिर और प्रभावी रणनीति प्रदान करता है।