Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
यह शोध पत्र एक स्केलेबल कम्प्यूटेशनल फ्रेमवर्क प्रस्तुत करता है जो मशीन-लर्नड इंटरएटोमिक पोटेंशियल, RAFFLE संरचना-जनरेशन टूल और एक न्यूरल-नेटवर्क सरोगेट को जोड़ता है ताकि 13,000 से अधिक यथार्थवादी हार्ड कार्बन संरचनाओं को मॉडल किया जा सके, जो सफलतापूर्वक उनकी सूक्ष्म संरचनात्मक विशेषताओं को सोडियम भंडारण प्रदर्शन से जोड़ता है और 800 mAh g से अधिक क्षमता वाले एनोड उम्मीदवारों की पहचान करता 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
दुनिया सूर्य और हवा से आने वाली बिजली की ओर बढ़ रही है, जो कि स्वच्छ तो है लेकिन अनिश्चित भी है। इस ऊर्जा को विश्वसनीय बनाने के लिए, हमें ऐसी बैटरियों की आवश्यकता है जो भारी मात्रा में शक्ति को संचित कर सकें और जब बादल सूरज को ढक लें या हवा थम जाए, तो उसे छोड़ सकें। जबकि लिथियम-आयन बैटरियां वर्तमान में हमारे फोन और कारों को शक्ति प्रदान करती हैं, वे लिथियम जिस पर वे निर्भर करती हैं, महंगी और दुर्लभ होती जा रही हैं। वैज्ञानिक अब एक अधिक प्रचुर विकल्प की तलाश कर रहे हैं: सोडियम, जो साधारण नमक में पाया जाने वाला एक सामान्य तत्व है। सोडियम हर जगह मौजूद है और सस्ता भी है, लेकिन यह लिथियम की तुलना में एक बड़ा और अधिक अनाड़ी आयन है, जिससे इसे वर्तमान में उपयोग की जाने वाली सामग्रियों में कुशलतापूर्वक संग्रहीत करना कठिन हो जाता है। सोडियम को थामने के लिए सबसे आशाजनक उम्मीदवार 'हार्ड कार्बन' नामक कार्बन का एक प्रकार है, जो एक अव्यवस्थित, स्पंज जैसी सामग्री है जो सोडियम आयनों को अपने छोटे आंतरिक पॉकेट में फंसा सकती है। हालांकि, यह सामग्री इतनी जटिल और अनियमित है कि वैज्ञानिक यह समझने में संघर्ष करते रहे हैं कि इसकी आंतरिक संरचना इसकी ऊर्जा संग्रहीत करने की क्षमता को कैसे प्रभावित करती है, जिससे बेहतर बैटरी का डिज़ाइन काफी हद तक अनुमान और परीक्षण (ट्रायल एंड एरर) का खेल बनकर रह गया है।
एक्सटर विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक अलग दृष्टिकोण अपनाया है, जिसमें उन्होंने हार्ड कार्बन के हजारों आभासी मॉडल बनाने के लिए शक्तिशाली कंप्यूटरों का उपयोग किया ताकि यह देखा जा सके कि वे सबसे अच्छा कैसे काम करते हैं। केवल एक आदर्श संरचना का अनुमान लगाने के बजाय, उन्होंने तेरह हजार से अधिक अद्वितीय, वास्तविक हार्ड कार्बन मॉडल उत्पन्न करने के लिए एक मशीन-लर्निंग सिस्टम का उपयोग किया। ये मॉडल केवल साधारण चित्र नहीं थे; वे विस्तृत परमाणु मानचित्र थे जिनमें हजारों कार्बन परमाणु अव्यवस्थित पैटर्न में व्यवस्थित थे, जिनमें वे सूक्ष्म छिद्र और दोष भी शामिल थे जो वास्तविक सामग्रियों में मौजूद होते हैं। इसके बाद शोधकर्ताओं ने भौतिकी के नियमों पर प्रशिक्षित एक विशेष कंप्यूटर प्रोग्राम का उपयोग किया, ताकि यह सिम्युलेट (अनुकरण) किया जा सके कि सोडियम आयन इन आभासी संरचनाओं में कैसे गति करेंगे। प्रत्येक मॉडल का परीक्षण करके, वे सटीक रूप से माप सकते थे कि वह कितना सोडium धारण कर सकता है और बैटरी चार्ज और डिस्चार्ज होने के दौरान वोल्टेज कैसे बदलता है। इस विशाल डिजिटल प्रयोग ने उन्हें ऐसे पैटर्न देखने की अनुमति दी जो एक भौतिक प्रयोगशाला में देखना असंभव होता, जहाँ एक भी नई सामग्री बनाने और उसका परीक्षण करने में हफ्तों लग सकते हैं।
सिमुलेशन ने कार्बन के आकार और उसके प्रदर्शन के बीच एक स्पष्ट संबंध प्रकट किया। शोधकर्ताओं ने पाया कि सोडियम को संग्रहीत करने के लिए सबसे अच्छा हार्ड कार्बन सघन, ठोस प्रकार का नहीं, बल्कि एक हल्का, अधिक छिद्रयुक्त (पोरस) संस्करण है। विशेष रूप से, मॉडलों ने दिखाया कि लगभग 1.25 ग्राम प्रति घन सेंटीमीटर का घनत्व और 12 से 15 प्रतिशत के बीच सरंध्रता (पोरोसिटी) वाले संरचनाओं ने सबसे अच्छा प्रदर्शन किया। इन इष्टतम संरचनाओं में, आंतरिक छिद्र केवल खाली छेद नहीं थे; वे अच्छी तरह से जुड़े हुए सुरंगों की तरह थे जो सोडियम को सामग्री के माध्यम से स्वतंत्र रूप से बहने की अनुमति देते थे। जब कार्बन बहुत सघन था, तो सोडियम अंदर नहीं जा सका और भंडारण क्षमता कम रही। जब कार्बन बहुत हल्का था या छिद्र अलग-थलग थे, तो क्षमता भी प्रभावित हुई। सबसे सफल आभासी मॉडल, जिसे शोधकर्ताओं ने 'स्ट्रक्चर ई' कहा, 857 मिलीएम्पियर ऑवर्स प्रति ग्राम की दर से सोडियम को संग्रहीत करने में सक्षम था, जो वर्तमान प्रयोगात्मक रिकॉर्ड और मानक लिथियम-ग्रेफाइट बैटरियों की क्षमता दोनों से अधिक है।
इतनी बड़ी संख्या में मॉडलों को बिना वर्षों की गणना खर्च किए समझने के लिए, टीम ने एक हल्के कृत्रिम बुद्धिमत्ता (AI) को प्रशिक्षित किया जो किसी भी दी गई संरचना के आकार को देखकर उसकी भंडारण क्षमता की भविष्यवाणी कर सके। यह AI एक तेज़ फ़िल्टर के रूप में कार्य करता था, जो सेकंडों में तेरह हजार मॉडलों के पूरे पुस्तकालय को स्कैन करके सबसे आशाजनक उम्मीदवारों की पहचान करता था। AI ने सही ढंग से पहचाना कि उच्च क्षमता कम घनत्व और उच्च सरंध्रता से जुड़ी थी, और इसने सफलतापूर्वक शोधकर्ताओं को शीर्ष प्रदर्शन करने वाली संरचनाओं की ओर निर्देशित किया। जब शोधकर्ताओं ने पुष्टि करने के लिए इन शीर्ष उम्मीदवारों पर विस्तृत, समय लेने वाले सिमुलेशन चलाए, तो परिणाम स्थिर रहे। विस्तृत विश्लेषण ने दिखाया कि सर्वोत्तम संरचनाओं में, सोडियम आयनों ने छिद्रों के एक विशाल, जुड़े हुए नेटवर्क को भर दिया, जो अलग-थलग स्थानों में फंसने के बजाय समान रूप से फैल गए। इसने पुष्टि की कि आंतरिक रिक्तियों की ज्यामिति (जियोमेट्री) कार्बन के रासायनिक संगठन जितनी ही महत्वपूर्ण है।
अध्ययन बताता है कि बेहतर सोडियम बैटरियों का मार्ग कार्बन की सूक्ष्म वास्तुकला (माइक्रोस्कोपिक आर्किटेक्चर) को इंजीनियर करने में निहित है, यह सुनिश्चित करते हुए कि इसमें खाली स्थान की सही मात्रा हो और यह स्थान इस तरह से जुड़ा हो कि आयन स्वतंत्र रूप से घूम सकें। शोधकर्ताओं ने इन गुणों के लिए एक विशिष्ट "स्वीट स्पॉट" (इष्टतम बिंदु) की पहचान की है, जो उन रसायनज्ञों और इंजीनियरों के लिए एक स्पष्ट लक्ष्य प्रदान करता है जो इन सामग्रियों का निर्माण करते हैं। अनुमान लगाने के बजाय डेटा-संचालित समझ की ओर बढ़कर, यह कार्य उच्च-क्षमता वाले एनोड डिजाइन करने के लिए एक रोडमैप प्रदान करता है। यहाँ उपयोग किया गया दृष्टिकोण, जो वास्तविक संरचना निर्माण के साथ मशीन लर्निंग को जोड़ता है, अन्य सामग्रियों पर भी लागू किया जा सकता है, जिससे संभावित रूप से नए ऊर्जा भंडारण समाधानों की खोज में तेजी आ सकती है जो एक स्थिर, नवीकरणीय ऊर्जा भविष्य के लिए आवश्यक हैं।
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।