Thermodynamics-Informed Machine Learning for Energy Materials Discovery

कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। यदि आप केवल परम शून्य (absolute zero) पर वायुमंडल के एक जमे हुए स्नैपशॉट को देखते हैं—जहाँ सब कुछ स्थिर और शांत है—तो आपको लग सकता है कि एक बादल केवल पानी का एक फूला हुआ, स्थिर गोला है। लेकिन वास्तविक दुनिया में, गर्मी हवा को नृत्य कराती है, हवाओं को घुमाती है, और बादलों को आकार बदलने पर मजबूर करती है। सामग्री विज्ञान (materials science) की दुनिया में, वैज्ञानिक सौर पैनलों, बैटरियों और उत्प्रेरकों (catalysts) जैसी चीजों के लिए नई सामग्रियों को डिजाइन करने के लिए शक्तिशाली कंप्यूटरों का उपयोग करते हैं। लंबे समय तक, उन्होंने एक "जमे हुए स्नैपशॉट" वाले दृष्टिकोण पर भरोसा किया है, जिसमें यह गणना की जाती है कि परमाणु एक आदर्श, ठंडे ग्रिड में कैसे स्थिर रहते हैं। यह कुछ चीजों के लिए अच्छा काम करता है, लेकिन यह वास्तविकता के सबसे महत्वपूर्ण हिस्से को छोड़ देता है: गर्मी। गर्मी केवल एक गर्म कंबल नहीं है; यह एक अराजक पार्टी की तरह है जो परमाणुओं के हिलने-डुलने, उनके आपस में जुड़ने के तरीके, और यहाँ तक कि उनके पसंदीदा आकारों को भी बदल देती है। इस थर्मल डांस (thermal dance) को ध्यान में रखे बिना, हमारे कंप्यूटर अनुमान अक्सर वास्तविक जीवन से मेल खाने में विफल रहते हैं, जहाँ सब कुछ गर्म और गतिशील होता है।

यह शोध पत्र तर्क देता है कि ऊर्जा सामग्रियों की खोज में अगली बड़ी छलांग के लिए हमें केवल जमे हुए स्नैshots देखना बंद करना होगा और अपने कंप्यूटरों को गर्मी के "ऊष्मागतिकी" (thermodynamics) को समझना सिखाना शुरू करना होगा। लेखक, पोल बेनिटेज, सिब्रान लोपेज़ और क्लाउडियो काज़ोर्ला बताते हैं कि वर्तमान मशीन लर्निंग मॉडल उन छात्रों की तरह हैं जिन्होंने केवल स्थिर छवियों की एक पाठ्यपुस्तक पढ़ी है; वे एक जमे हुए ढांचे की ऊर्जा की भविष्यवाणी करने में तो बहुत कुशल हैं, लेकिन यह अनुमान लगाने में बहुत खराब हैं कि वह ढांचा गर्म और हिलते-डुलते समय कैसा व्यवहार करेगा। वे बताते हैं कि कई सामग्रियों के लिए, "विजेता" वह नहीं होता जिसकी शून्य डिग्री पर ऊर्जा सबसे कम होती, बल्कि वह होता है जो गर्मी की अराजकता को सबसे अच्छी तरह से संभाल सकता है। यह पत्र इस समस्या को हल करने का दावा नहीं करता है; इसके बजाय, यह एक रोडमैप तैयार करता है कि हम अगली पीढ़ी के AI को कैसे बना सकते हैं जो न केवल स्थिर ऊर्जा, बल्कि तापमान की अव्यवस्थित, सुंदर और आवश्यक भूमिका को भी सीख सके।

जमे हुए जाल बनाम गर्म वास्तविकता (The Frozen Trap vs. The Hot Reality)

एक सामग्री को लेगो (Lego) महल की तरह समझें। पुराने तरीके में, वैज्ञानिक यह देखने के लिए कि ब्लॉक एक साथ कैसे फिट होते हैं जब सब कुछ पूरी तरह से स्थिर और ठंडा होता है, कंप्यूटर का उपयोग करके सबसे स्थिर महल खोजने का प्रयास करते थे। इसे "शून्य-तापमान" सन्निकटन (approximation) कहा जाता है। यह एक डांस प्रतियोगिता को केवल तब देखने जैसा है जब संगीत रुक जाता है और नर्तक स्थिर हो जाते हैं। समस्या यह है कि वास्तविक दुनिया में, संगीत कभी नहीं रुकता। परमाणु लगातार कंपन करते हैं, हिलते-डुलते हैं और अपनी जगह बदलते हैं। यह गति "एन्ट्रॉपी" (entropy) पैदा करती है, जो एक व्यवस्था या प्रणाली में विकार या अराजकता की मात्रा के लिए एक तकनीकी शब्द है।

पत्र बताता है कि उच्च तापमान पर, यह अराजकता वास्तव में एक संरचना को अधिक स्थिर बना सकती है। कल्पना करें कि ब्लॉकों का एक डगमगाता हुआ टॉवर है जो स्थिर होने पर गिर जाना चाहिए। लेकिन यदि आप मेज को हिलाते हैं (गर्मी जोड़ते हैं), तो ब्लॉक एक नए, अधिक कड़े गठन में जकड़ सकते हैं जो स्थिर संस्करण की तुलना में बेहतर तरीके से टिका रहता है। वर्तमान मशीन लर्निंग मॉडल अक्सर इसे पूरी तरह से मिस कर देते हैं। उन्हें स्थिर, जमे हुए गणनाओं के डेटा पर प्रशिक्षित किया जाता है, इसलिए वे सोचते हैं कि डगमगाता हुआ टॉवर अस्थिर है और उसे खारिज कर देते हैं। लेकिन वास्तव में, वह डगमगाता हुआ टॉवर कमरे के तापमान पर चैंपियन हो सकता है। लेखकों का तर्क है कि इन जमे हुए मॉडलों पर निर्भर रहना एक बड़ी बाधा है क्योंकि यह हमें ऐसी सामग्रियां चुनने की ओर ले जाता है जो गर्मी चालू होते ही विफल हो जाती हैं।

नया गेम प्लान: AI को गर्मी महसूस करना सिखाना (The New Game Plan: Teaching AI to Feel the Heat)

तो, हम इसे कैसे ठीक कर सकते हैं? पत्र सुझाव देता है कि हमें अपने AI को एक "स्थिर फोटोग्राफर" से बदलकर एक "ऊष्मागतिक निर्देशक" (thermodynamic director) बनाने की आवश्यकता है। केवल एक एकल, स्थिर संरचना की ऊर्जा की भविष्यवाणी करने के बजाय, नए मॉडलों को "मुक्त ऊर्जा" (free energy) की भविष्यवाणी करने की आवश्यकता है, जो स्थिर ऊर्जा और गर्मी एवं एन्ट्रॉपी के प्रभावों का संयोजन है।

लेखक कुछ अलग-अलग रणनीतियों की समीक्षा करते हैं जो पहले से ही आजमाई जा रही हैं, जैसे कि "मशीन-लर्न किए गए इंटरएटमिक पोटेंशियल" (machine-learned interatomic potentials) का उपयोग करना। आप इन्हें सुपर-स्मार्ट शॉर्टकट के रूप में समझ सकते हैं। हर एक परमाणु की गति के लिए अविश्वसनीय रूप से धीमी और महंगी गणितीय गणना करने के बजाय (जो समुद्र तट पर रेत के हर एक कण को एक-एक करके गिनने जैसा है), ये AI मॉडल रेत की गति के नियमों को सीखते हैं और पलक झपकते ही पूरे समुद्र तट का अनुकरण (simulate) कर सकते हैं। यह वैज्ञानिकों को "मॉलिक्यूलर डायनेमिक्स" सिमुलेशन चलाने की अनुमति देता है, जो उच्च तापमान पर नाचते हुए परमाणुओं की वर्चुअल फिल्मों की तरह हैं। इन फिल्मों से, हम मुक्त ऊर्जा निकाल सकते हैं और देख सकते हैं कि कौन सी सामग्रियां वास्तव में स्थिर हैं।

हालाँकि, पत्र चेतावनी देता है कि इन उन्नत उपकरणों की भी सीमाएं हैं। यदि AI को केवल शांत, कम तापमान वाले नृत्य पर प्रशिक्षित किया गया है, तो जब संगीत तेज होगा और परमाणु बेतहाशा कूदने लगेंगे, तो वह भ्रमित हो सकता है। लेखक कुछ प्रमुख समाधान सुझाते हैं:

1. प्रत्यक्ष सीखना (Direct Learning): नृत्य का अनुकरण करने और उसके बाद ऊर्जा की गणना करने के बजाय, हमें AI को सीधे मुक्त ऊर्जा की भविष्यवाणी करना सिखाना चाहिए, तापमान को एक चर (variable) के रूप में देखना चाहिए जिसे वह परमाणु के आकार की तरह ही सीख सकता है।
2. एन्ट्रॉपी जागरूकता (Entropy Awareness): AI को यह समझने की आवश्यकता है कि एन्ट्रॉपी (अराजकता का कारक) एक वास्तविक चीज़ है जो नियमों को बदल देती है। हमें ऐसे मॉडल बनाने की आवश्यकता है जो एक शांत कमरे और एक भीड़भाड़ वाली पार्टी के बीच के अंतर को "महसूस" कर सकें।
3. सक्रिय सीखना (Active Learning): यह एक स्मार्ट छात्र की तरह है जो जानता है कि वह क्या नहीं समझता है। यादृच्छिक तथ्यों को पढ़ने के बजाय, AI पूछता है, "हे, मुझे इस विशिष्ट तापमान सीमा के बारे में यकीन नहीं है; आइए वहां अधिक सीखने के लिए एक सिमुलेशन चलाएं।" यह उन अंतरालों को भरने में मदद करता है जहाँ डेटा गायब है।

यह ऊर्जा के लिए क्यों मायने रखता है (Why This Matters for Energy)

पत्र तीन विशिष्ट क्षेत्रों पर प्रकाश डालता है जहाँ यह नया दृष्टिकोण गेम-चेंजर हो सकता है:

• सौर पैनल (Photovoltaics): पेरोव्स्काइट्स (perovskites) जैसी सामग्रियों में, गर्मी उस प्रकाश के रंग को बदल सकती है जिसे सामग्री अवशोषित करती है। यदि हम केवल जमे हुए संस्करण को देखते हैं, तो हमें लग सकता है कि सामग्री बेकार है, लेकिन जब यह गर्म होती है, तो यह सूर्य के प्रकाश को पकड़ने के लिए एकदम सही हो सकती है। गर्मी यह भी बदल सकती है कि बिजली कितनी आसानी से सामग्री के माध्यम से प्रवाहित होती है।
• उत्प्रेरक (Catalysts): ये वे सामग्रियां हैं जो रासायनिक प्रतिक्रियाओं को तेज करती हैं, जैसे कार के एग्जॉस्ट सिस्टम में या ईंधन बनाने में। एक उत्प्रेरक की सतह एक कठोर चट्टान नहीं है; यह एक गतिशील परिदृश्य है जो गर्म होने पर आकार बदल लेता है। "सक्रिय स्थल" (active sites) जहाँ जादू होता है, शायद तभी दिखाई देते हैं जब परमाणु हिल रहे होते हैं। यदि हम एक जमे हुए मॉडल के आधार पर उत्प्रेरक का डिजाइन बनाते हैं, तो हम असली नायक को मिस कर सकते हैं।
• सॉलिड-स्टेट बैटरी (Solid-State Batteries): ये बैटरियां आयनों (आवेशित परमाणुओं) को स्थानांतरित करने के लिए तरल के बजाय ठोस सामग्रियों का उपयोग करती हैं। इन आयनों की गति अक्सर सामग्री की संरचना के कंपन द्वारा सुगम होती है। यदि संरचना बहुत कठोर (जमी हुई) है, तो आयन नहीं चल सकते। लेकिन यदि संरचना सही तापमान पर "कोमल" और हिलने-डुलने वाली है, तो आयन तेजी से गुजर सकते हैं। वर्तमान मॉडल अक्सर इस "कोमलता" को मिस कर देते हैं क्योंकि वे गर्मी-प्रेरित कंपन को ध्यान में नहीं रखते हैं।

आगे की राह (The Road Ahead)

लेखक स्पष्ट हैं कि हम अभी वहां नहीं पहुंचे हैं। वे स्वीकार करते हैं कि इन नए मॉडलों को प्रशिक्षित करने के लिए डेटा प्राप्त करना कठिन और महंगा है। गर्मी का अनुकरण करने के लिए बहुत अधिक कंप्यूटर शक्ति की आवश्यकता होती है, और हमारे पास पर्याप्त उदाहरण नहीं हैं कि विभिन्न तापमानों पर सामग्रियां कैसे व्यवहार करती हैं ताकि AI को वह सब कुछ सिखाया जा सके जो उसे जानने की आवश्यकता है। वे यह भी बताते हैं कि वर्तमान AI मॉडल अक्सर ऊष्मागतिकी के नियमों को तोड़ते हैं, ऐसी चीजें बताते हैं जो भौतिक रूप से असंभव हैं, जैसे कि नकारात्मक ऊष्मा क्षमता (negative heat capacity)।

हालाँकि, पत्र आशावादी है। यह सुझाव देता है कि मशीन लर्निंग की गति को ऊष्मागतिकी के सख्त नियमों के साथ जोड़कर, हम एक नए प्रकार का AI बना सकते हैं जो केवल यह अनुमान नहीं लगाता कि एक सामग्री कैसी दिखती है, बल्कि यह भी समझता है कि जब वह काम कर रही होती है तो वह क्या करती है। लक्ष्य सामग्रियों को एक जमे हुए संसार के लिए डिजाइन करने के बजाय, उन्हें वास्तविक, गर्म और अराजक संसार के लिए डिजाइन करना है जहाँ वास्तव में उनका उपयोग किया जाएगा। यह एक स्थिर फोटो लेने से लेकर एक पूर्ण-मोशन मूवी निर्देशित करने की ओर एक बदलाव है, और यह ऊर्जा सामग्रियों के एक नए युग को अनलॉक करने का वादा करता है जो पहले के किसी भी डिजाइन की तुलना में अधिक कुशल, स्थिर और शक्तिशाली होंगे।