Machine Learning-Guided Screening of Advantageous Solvents for Solid Polymer Electrolytes in Lithium Metal Batteries
यह अध्ययन सॉलिड पॉलीमर इलेक्ट्रोलाइट्स के लिए एक सार्वभौमिक विलायक स्क्रीनिंग मानदंड स्थापित करने हेतु एक हाई-थ्रूपुट डीएफटी (DFT) डेटासेट पर मशीन लर्निंग का उपयोग करता है, जिसमें एन-मेथॉक्सी-एन-मिथाइल-2,2,2-ट्राइफ्लोरोएसेटामाइड को एक इष्टतम ट्रेस एडिटिव के रूप में पहचाना गया है जो लिथियम मेटल बैटरी में आयनिक चालकता, इलेक्ट्रोकेमिकल स्थिरता और साइकलिंग स्थायित्व को महत्वपूर्ण रूप से बढ़ाता है।
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 सुपर-फास्ट इलेक्ट्रिक कार के लिए परम बैटरी बनाने की कोशिश कर रहे हैं। आप चाहते हैं कि इसमें ऊर्जा का विशाल भंडार हो और यह पूरी तरह से सुरक्षित हो, इसलिए आप इसके अंदर मौजूद ज्वलनशील तरल को हटाकर एक ठोस प्लास्टिक का उपयोग करने का निर्णय लेते हैं। यह सॉलिड-स्टेट बैटरी की दुनिया है, जो अभी विज्ञान में एक बहुत चर्चित विषय है। लेकिन इसमें एक पेंच है: ये ठोस प्लास्टिक अक्सर ऊर्जा ले जाने वाले नन्हे आवेशित कणों (जिन्हें आयन कहा जाता है) को चलाने में थोड़े सुस्त होते हैं। इसे ठीक करने के लिए, वैज्ञानिक कभी-कभी प्लास्टिक के भीतर तरल विलायक (सॉल्वेंट) की एक बहुत ही सूक्ष्म मात्रा को फंसा देते हैं। इसे एक सख्त कब्जे (हिंज) में तेल की एक बूंद डालने जैसा समझें; यह हिलने वाले हिस्सों को सुचारू रूप से फिसलने में मदद करता है। हालाँकि, यहाँ लाखों अलग-अलग तरल पदार्थ मौजूद हैं, और सही एक को चुनना घास के ढेर में सुई खोजने जैसा है। यदि आप गलत चुनाव करते हैं, तो यह बैटरी के आंतरिक हिस्सों को नष्ट कर सकता है या फिर यह बिल्कुल भी मदद नहीं करेगा। बड़ा सवाल यह है कि ब्रह्मांड की हर एक बोतल का परीक्षण किए बिना हम उस सही "तेल की बूंद" को कैसे खोजें?
यहीं पर हांगकांग और शेन्ज़ेन के शोधकर्ताओं की एक टीम ने एक चतुर नई रणनीति के साथ कदम रखा। एक-एक करके बोतलों का परीक्षण करने के बजाय, उन्होंने आर्टिफिशियल इंटेलिजेंस का उपयोग करके एक डिजिटल 'सुपर-स्काउट' बनाया। उन्होंने लगभग 10,000 विभिन्न विलायक अणुओं के अदृश्य इलेक्ट्रॉनिक "व्यक्तित्व" का मानचित्र बनाने के लिए हजारों जटिल कंप्यूटर सिमुलेशन (जिसे "हाई-थ्रूपुट DFT" विधि कहा जाता है) चलाने से शुरुआत की। उन्होंने यह देखा कि ये अणु अपने इलेक्ट्रॉनों को कैसे थामे रखते हैं और बैटरी की सामग्रियों के साथ वे कैसे परस्पर क्रिया करते हैं। फिर, उन्होंने एक मशीन लर्निंग मस्तिष्क को पैटर्न पहचानने के लिए प्रशिक्षित किया, जो इन अदृश्य इलेक्ट्रॉनिक गुणों को बैटरी के वास्तविक प्रदर्शन से जोड़ता है।
AI ने केवल अनुमान नहीं लगाया; इसने सीखा कि सबसे अच्छे विलायकों का एक बहुत ही विशिष्ट "व्यक्तित्व" होता है। उन्हें उच्च वोल्टेज के तहत टूटने से बचने के लिए पर्याप्त स्थिर होना चाहिए, लेकिन लिथियम आयनों को तेजी से चलने में मदद करने के लिए पर्याप्त अनुकूल भी होना चाहिए। इन नियमों के आधार पर, कंप्यूटर ने दो शीर्ष उम्मीदवारों की ओर इशारा किया। एक ज्ञात रसायन था, लेकिन दूसरा एक नया खोजा गया अणु था जिसे टीम ने प्रस्तावित किया था: एक अणु जिसे N-मेथॉक्सी-N-मिथाइल-2,2,2-ट्राइफ्लोरोएसेटामाइड (या संक्षेप में TFOMA) कहा जाता है।
यह देखने के लिए कि क्या उनका डिजिटल अनुमान सही था, वैज्ञानिकों ने PVDF-HFP नामक एक ठोस प्लास्टिक का उपयोग करके वास्तविक बैटरियां बनाईं और उसमें इस नए TFOMA विलायक की बस एक सूक्ष्म मात्रा मिला दी। परिणाम प्रभावशाली थे। बैटरी बिना टूटे 4.5 वोल्ट के बहुत उच्च वोल्टेज को संभाल सकती थी, जो उच्च-ऊर्जा भंडारण के लिए महत्वपूर्ण है। इसने आयनों को अन्य उम्मीदवारों की तुलना में बहुत तेजी से भी चलाया, जिसमें 30°C पर 5.5×10⁻⁴ S cm⁻¹ की चालकता (कंडक्टिविटी) देखी गई। जब उन्होंने परीक्षण किया कि बैटरी कितनी लंबे समय तक चलती है, तो वह एक चैंपियन साबित हुई। एक सामान्य बैटरी सामग्री के साथ किए गए एक परीक्षण में, इसने 500 चार्जिंग चक्रों के बाद भी अपनी 86.7% शक्ति बनाए रखी। एक कठिन परीक्षण में, जो एक उच्च-प्रदर्शन वाली सामग्री के साथ किया गया था, इसने तेजी से चार्ज और डिस्चार्ज होने के बावजूद 200 चक्रों के बाद भी अपनी 98.7% शक्ति बरकरार रखी।
इसका 'सीक्रेट सॉस' (गुप्त नुस्खा) TFOMA अणु में परमाणुओं का एक छोटा अतिरिक्त समूह (एक मेथॉक्सी समूह) था, जो लिथियम आयनों के लिए एक विशेष लेन की तरह काम करता था ताकि वे बिना किसी ट्रैफिक जाम के तेजी से निकल सकें। हालाँकि टीम ने पाया कि एक अन्य समान रसायन भी ठीक-ठाक काम करता था, लेकिन उनका नया TFOMA स्पष्ट रूप से विजेता था, जो सुरक्षा का एक व्यापक दायरा और बेहतर गति प्रदान करता था। यह अध्ययन दिखाता है कि सुपर-फास्ट कंप्यूटर गणनाओं को स्मार्ट AI के साथ जोड़कर, हम वर्षों के परीक्षण-और-त्रुटि (ट्रायल-एंड-एरर) के दौर को छोड़ सकते हैं और बहुत तेजी से बेहतर बैटरी डिजाइन कर सकते हैं। यह इलेक्ट्रिक कारों को अधिक दूरी तय करने, तेजी से चार्ज होने और अधिक सुरक्षित रहने में सक्षम बनाने की दिशा में एक आशाजनक कदम है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।