Vibrational, structural, and chemical fingerprints of ion diffusion in crystalline solids

बेहतर बैटरियों के निर्माण की खोज में, वैज्ञानिक ऐसे पदार्थों की तलाश कर रहे हैं जो आयनों—जैसे कि लिथियम जैसे आवेशित परमाणु—को तेजी से और कुशलता से ले जा सकें। एक ठोस सामग्री के ब्लॉक की कल्पना करें जहाँ ये आयन उतनी ही आसानी से दौड़ सकें जितना वे एक तरल में दौड़ते हैं। यह सॉलिड-स्टेट बैटरी का 'होली ग्रेल' (परम लक्ष्य) है, जो आज हमारे फोन और कारों में इस्तेमाल होने वाली लिथियम-आयन बैटरियों की तुलना में अधिक सुरक्षित और शक्तिशाली होने का वादा करती हैं। इन सामग्रियों को खोजने की कुंजी यह समझने में निहित है कि आयन कितनी तेजी से चलते हैं, जिसे 'सेल्फ-डिफ्यूसिविटी' (स्व-विसरणशीलता) कहा जाता है। पारंपरिक रूप से, किसी क्रिस्टल के भीतर एक आयन कितनी तेजी से चलता है, यह जानने के लिए हर परमाणु की गति को समय के साथ ट्रैक करने वाले विशाल कंप्यूटर सिमुलेशन चलाने की आवश्यकता होती है। क्योंकि आयन धीरे और अनिश्चित रूप से चलते हैं, इसलिए इन सिमुलेशन को एक सटीक उत्तर प्राप्त करने के लिए बहुत लंबे समय तक चलना पड़ता है, जिसमें अक्सर एक एकल सामग्री के लिए कई दिनों या हफ्तों का कंप्यूटर समय लग जाता है। यह सुस्ती उन हजारों संभावित सामग्रियों की स्क्रीनिंग करना लगभग असंभव बना देती है जिनकी आवश्यकता पूर्ण सामग्री खोजने के लिए होती है।

मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस बाधा को दूर करने का एक तरीका खोजा है। एक पूर्ण सिमुलेशन के पूरा होने तक इंतजार करने के बजाय, उन्होंने एक बहुत ही छोटे सिमुलेशन से सामग्री के "फिंगरप्रिंट्स" (पदचिह्नों) को देखकर यह भविष्यवाणी करने का तरीका विकसित किया है कि आयन कितनी तेजी से चलेंगे। उन्होंने महसूस किया कि जबकि आयनों की वास्तविक गति को एक अनुमानित पैटर्न में सेट होने में लंबा समय लगता है, अन्य गुण बहुत जल्दी स्थिर हो जाते हैं। इन गुणों में यह शामिल है कि परमाणु कैसे कंपन करते हैं, वे अंतरिक्ष में कैसे व्यवस्थित होते हैं, और परमाणुओं की रासायनिक प्रकृति क्या है। एक कंप्यूटर मॉडल को इन त्वरित-माप योग्य फिंगरप्रिंट्स और आयनों की अंतिम गति के बीच के संबंध को पहचानने के लिए प्रशिक्षित करके, शोधकर्ता अब पहले की तुलना में बहुत कम कंप्यूटिंग पावर का उपयोग करके उच्च सटीकता के साथ आयन गति की भविष्यवाणी कर सकते हैं।

शोधकर्ताओं ने एक विशिष्ट चुनौती पर ध्यान केंद्रित किया: उन सामग्रियों के बीच अंतर करना जहाँ आयन एक जगह फंसे रहते हैं और वे जिनमें वे स्वतंत्र रूप से बहते हैं। उन्होंने आयन संचालित करने वाली हजारों अलग-अलग ठोस सामग्रियों के डेटा को एकत्र किया। प्रत्येक सामग्री के लिए, उन्होंने केवल पांच पिकोसेकंड की अवधि वाला एक छोटा कंप्यूटर सिमुलेशन चलाया—एक ऐसा समय जो एक ट्रिलियनवें हिस्से के बराबर है। इस क्षणिक दृश्य से, उन्होंने दो मुख्य प्रकार की जानकारी निकाली। पहला, उन्होंने 'वाइब्रेशनल डेंसिटी ऑफ स्टेट्स' (कंपन घनत्व अवस्था) को देखा, जो अनिवार्य रूप से इस बात का मानचित्र है कि सामग्री के परमाणु विभिन्न गति से कैसे हिल रहे हैं या कंपन कर रहे हैं। दूसरा, उन्होंने 'रेडियल डिस्ट्रीब्यूशन फंक्शन' का परीक्षण किया, जो एक माप है कि आयन एक-दूसरे के सापेक्ष कितनी दूरी पर स्थित हैं, जिससे यह पता चलता है कि वे एक कठोर संरचना में मजबूती से पैक हैं या तरल की तरह अधिक स्वतंत्र रूप से घूम रहे हैं।

इस डेटा को समझने के लिए, टीम ने आर्टिफिशियल इंटेलिजेंस के एक प्रकार, 'न्यूरल नेटवर्क' का उपयोग किया। उन्होंने इस नेटवर्क को सिखाया कि वह लघु-सिमुलेशन के फिंगरप्रिंट्स को देखे और आयनों की अंतिम, दीर्घकालिक गति का अनुमान लगाए। नेटवर्क को सामग्री की रसायन विज्ञान के बारे में भी जानकारी दी गई थी, जैसे कि कौन से तत्व मौजूद हैं और वे कैसे बंधे हुए हैं। लक्ष्य यह देखना था कि क्या मॉडल उन छिपे हुए नियमों को सीख सकता है जो परमाणुओं की त्वरित, अराजक हलचल को आयनों की धीमी, स्थिर गति से जोड़ते हैं। परिणाम आश्चर्यजनक थे। मॉडल उच्च स्तर की सटीकता के साथ अंतिम आयन गति की भविष्यवाणी कर सका, जिसने एक लॉगरिदमिक स्केल पर आधा यूनिट से भी कम का औसत त्रुटि दर्ज किया, जो इस तरह की जटिल भौतिक प्रक्रिया के लिए एक बहुत ही कम मार्जिन है। इसने सामग्रियों को सही ढंग से रैंक किया, तेज चालक और धीमे चालकों की पहचान एक मजबूत सहसंबंध के साथ की।

सबसे महत्वपूर्ण खोजों में से एक यह थी कि मॉडल को भविष्यवाणी करने के लिए आयनों को वास्तव में एक स्थान से दूसरे स्थान पर कूदने का इंतजार करने की आवश्यकता नहीं थी। कई सामग्रियों में, विशेष रूप से धीमी सामग्रियों में, पांच पिकोसेकंड की खिड़की के दौरान आयन शायद बिल्कुल भी नहीं हिलेंगे। फिर भी, मॉडल यह बता सका कि यदि पर्याप्त समय दिया जाए तो वे कितनी तेजी से चलेंगे। ऐसा इसलिए था क्योंकि छोटे सिमुलेशन ने आयनों के आसपास के वातावरण की "कठोरता" (stiffness) को पकड़ लिया था। तेज-संचालित सामग्रियों में, चलते हुए आयनों के आसपास के परमाणु ढीले जुड़े होते हैं, जिससे आयन आसानी से फिसल सकते हैं। धीमी सामग्रियों में, आसपास के परमाणु मजबूती से लॉक होते हैं, जो एक कठोर पिंजरा बनाते हैं जो आयनों को फंसा लेता है। मॉडल ने इन सूक्ष्म कंपन और संरचनात्मक पैटर्न को पढ़ना सीख लिया था, प्रभावी रूप से होने से पहले ही गति की क्षमता को देख लिया था।

शोधकर्ताओं ने यह भी पता लगाया कि चलते हुए आयन क्रिस्टल के आसपास के ढांचे के साथ कैसे परस्पर क्रिया करते हैं। उन्होंने पाया कि जिन सामग्रियों में आयन तेजी से चलते हैं, वहां चलते हुए आयनों का कंपन आसपास के परमाणुओं के कंपन से काफी स्वतंत्र होता है। वे 'डिकपल्ड' (विच्छेदित) होते हैं, यानी अपने आप में स्वतंत्र चलते हैं। इसके विपरीत, धीमी सामग्रियों में, चलते हुए आयन आसपास के ढांचे के साथ मजबूती से सिंक्रोनाइज्ड होते हैं, जो एक साझा लय में बंधे होते हैं जो उन्हें मुक्त होने से रोकता है। यह विच्छेदन (decoupling) एक अच्छे चालक का एक प्रमुख संकेत है। अध्ययन ने इस बात की भी पुष्टि की कि आयनों की व्यवस्था, जिसे इस बात से मापा जाता है कि उन्हें एक-दूसरे से कुछ निश्चित दूरियों पर मिलने की कितनी संभावना है, तेज चालकों में एक विशिष्ट पैटर्न का पालन करती है जो एक तरल के समान है, जबकि धीमे चालक एक कठोर, ठोस जैसी व्यवस्था बनाए रखते हैं।

इन कंपन, संरचनात्मक और रासायनिक संकेतों को जोड़कर, टीम ने सामग्रियों की स्क्रीनिंग के लिए एक सार्वभौमिक उपकरण बनाया। सिमुलेशन को कन्वर्ज होने में कई दिन लगने के बजाय, शोधकर्ता अब केवल पांच पिकोसेकंड का सिमुलेशन चला सकते हैं और सामग्री के प्रदर्शन की विश्वसनीय भविष्यवाणी प्राप्त कर सकते हैं। यह दृष्टिकोण न केवल समय बचाता है; यह खोज की रणनीति को भी बदल देता है। यह वैज्ञानिकों को हजारों खराब उम्मीदवारों को जल्दी से बाहर निकालने और अपने संसाधनों को उन कुछ सामग्रियों पर केंद्रित करने की अनुमति देता जो आशाजनक दिखती हैं। मॉडल का परीक्षण चार हजार से अधिक सामग्रियों के डेटासेट पर किया गया और यह विभिन्न तापमानों और रासायनिक संरचनाओं के बीच मजबूत साबित हुआ। इसने सफलतापूर्वक उन सामग्रियों के लिए आयन गति की भविष्यवाणी की जो तेज चालक के रूप में जानी जाती थीं, साथ ही उन सामग्रियों के लिए भी जो धीमी थीं, बिना पहले से उत्तर जाने।

बैटरी विकास के लिए इसके निहितार्थ महत्वपूर्ण हैं। नए सॉलिड इलेक्ट्रोलाइट्स को खोजना एक धीमी प्रक्रिया रही है क्योंकि प्रत्येक उम्मीदवार का परीक्षण करने की कम्प्यूटेशनल लागत बहुत अधिक थी। इस नई पद्धति के साथ, स्क्रीनिंग प्रक्रिया तेज और कुशल हो जाती है। शोधकर्ताओं ने प्रदर्शित किया कि उनका मॉडल एक बहुत लंबे सिमुलेशन चलाने की तुलना में बहुत कम समय में, लेकिन उच्च सटीकता के साथ आयन गति की भविष्यवाणी कर सकता है। इसका मतलब है कि पूर्ण सॉलिड-स्टेट बैटरी सामग्री की खोज एक धीमी, मैनुअल प्रक्रिया से एक तीव्र, स्वचालित प्रक्रिया में बदल सकती है। यह कार्य इस विचार को पुष्ट करता है कि एक धीमी, जटिल समस्या का उत्तर अक्सर सिस्टम के त्वरित, उभरते हुए पैटर्न में पाया जा सकता है, बशर्ते आप उन्हें पढ़ना जानते हों। अध्ययन यह दावा नहीं करता है कि उसने बैटरी डिजाइन की समस्या को पूरी तरह से हल कर दिया है, बल्कि यह संभावित सामग्रियों के विशाल परिदृश्य को देखने के लिए एक शक्तिशाली नया लेंस प्रदान करता है, जो वर्षों लंबी खोज को दिनों या घंटों के मामले में बदल देता है।