🔬 materials science

uMOF: A Universal Database, Benchmark, and Machine Learning Interatomic Potentials for Metal-Organic Frameworks

यह शोधपत्र uMOF को प्रस्तुत करता है, जो एक व्यापक संसाधन है जिसमें मेटल-ऑर्गेनिक फ्रेमवर्क्स (MOFs) के लिए सबसे बड़ा DFT डेटासेट, एक साहित्य-माइन किया गया प्रयोगात्मक बेंचमार्क, और दो सार्वभौमिक मशीन लर्निंग इंटरएटोमिक पोटेंशियल शामिल हैं, जो विविध प्रशिक्षण डेटा और उच्च-स्तरीय सिद्धांत का लाभ उठाकर जटिल गैस अधिशोषण गुणों की भविष्यवाणी करने में मौजूदा मॉडलों से काफी बेहतर प्रदर्शन करते हैं।

मूल लेखक: Théo Jaffrelot Inizan (Materials Sciences Division, Lawrence Berkeley National Laboratory, Berkeley, CA, USA, Bakar Institute of Digital Materials for the Planet, Division of Computing, Data Science

प्रकाशित 2026-08-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Théo Jaffrelot Inizan (Materials Sciences Division, Lawrence Berkeley National Laboratory, Berkeley, CA, USA, Bakar Institute of Digital Materials for the Planet, Division of Computing, Data Science, and Society, University of California, Berkeley, CA, USA), Prathami Divakar Kamath (Materials Sciences Division, Lawrence Berkeley National Laboratory, Berkeley, CA, USA, Department of Materials Science & Engineering, University of California, Berkeley, CA, USA), Alin Marin Elena (Scientific Computing Department, Science and Technology Facilities Council, Daresbury Laboratory, UK), Kristin A. Persson (Materials Sciences Division, Lawrence Berkeley National Laboratory, Berkeley, CA, USA, Department of Materials Science & Engineering, University of California, Berkeley, CA, USA)

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 ऐसी दुनिया की कल्पना करें जहाँ हमारे भविष्य को शक्ति देने वाली सामग्रियां—हवा को साफ करने वाले फिल्टर, सौर ऊर्जा को संग्रहीत करने वाली बैटरियां, या कार्बन डाइऑक्साइड को ईंधन में बदलने वाले उत्प्रेरक—को प्रयोगशाला में एक ग्राम भी संश्लेषित करने से पहले कंप्यूटर पर डिजाइन किया जा सकता है। यह कम्प्यूटेशनल मैटेरियल्स साइंस (सामग्री विज्ञान) का वादा है, एक ऐसा क्षेत्र जो इस बात के सिमुलेशन पर निर्भर करता है कि परमाणु कैसे परस्पर क्रिया करते हैं ताकि यह अनुमान लगाया जा सके कि एक सामग्री कैसा व्यवहार करेगी। दशकों से, वैज्ञानिकों ने इन अंतःक्रियाओं की गणना करने के लिए 'डेंसिटी फंक्शनल थ्योरी' नामक एक शक्तिशाली लेकिन अविश्वसनीय रूप से महंगी विधि का उपयोग किया है। यह एक संरचना में प्रत्येक एकल परमाणु की उच्च-रिज़ॉल्यूशन वाली तस्वीर लेने जैसा है; चित्र सटीक है, लेकिन कैमरा इतना धीमा और भारी है कि यह केवल कुछ सौ परमाणुओं की एक छोटी, स्थिर छवि ही कैप्चर कर सकता है। जटिल, छिद्रपूर्ण सामग्रियों का अध्ययन करने के लिए जिनमें हजारों परमाणु होते हैं और जिन्हें समय के साथ चलते हुए देखना आवश्यक होता है, यह विधि बहुत धीमी है।

हाल के वर्षों में, इस गति की समस्या को हल करने के लिए आर्टिफिशियल इंटेलिजेंस के उपकरणों की एक नई पीढ़ी उभरी है। ये उपकरण, जिन्हें 'मशीन लर्निंग इंटरएटोमिक पोटेंशियल' के रूप में जाना जाता है, एक स्मार्ट शॉर्टकट के रूप में कार्य करते हैं। उन्हें महंगी, उच्च-गुणवत्ता वाली तस्वीरों पर प्रशिक्षित किया जाता है ताकि वे परमाणु व्यवहार के नियमों को सीख सकें, जिससे वे बहुत कम लागत पर यह अनुमान लगा सकते हैं कि परमाणु कैसे चलेंगे और परस्पर क्रिया करेंगे। हालाँकि, जबकि ये AI उपकरण सरल, सघन क्रिस्टल के व्यवहार की भविष्यवाणी करने में माहिर हो गए हैं, वे 'मेटल-ऑर्गेनिक फ्रेमवर्क्स' (धातु-कार्बनिक ढांचे) नामक सामग्रियों के एक विशिष्ट वर्ग के साथ संघर्ष करते रहे हैं। ये स्पंज जैसी संरचनाएं हैं जो धातु के नोड्स से बनी होती हैं जो कार्बनिक श्रृंखलाओं से जुड़े होते हैं, जिससे विशाल आंतरिक स्थान बनता है जो गैस अणुओं को फँसाने के लिए आदर्श होता है। चुनौती यह रही है कि AI मॉडल उन डेटा पर प्रशिक्षित किए गए थे जो इन स्पंजों की अनूठी रसायन विज्ञान से मेल नहीं खाते थे, जिससे कार्बन डाइऑक्साइड या हाइड्रोजन जैसी गैसों को पकड़ने में उनकी क्षमता के बारे में गलत भविष्यवाणियां हुईं।

शोधकर्ताओं की एक टीम ने अब uMOF नामक एक व्यापक नए संसाधन के साथ इस अंतर को पाट दिया है। यह परियोजना केवल एक एकल खोज नहीं है बल्कि एक संपूर्ण टूलकिट है जिसे इन जटिल सामग्रियों के सिमुलेशन को पहली बार विश्वसनीय बनाने के लिए डिज़ाइन किया गया है। टीम ने मेटल-ऑर्गेनिक फ्रेमवर्क्स के लिए अब तक के सबसे बड़े और सबसे सटीक प्रशिक्षण डेटा को उत्पन्न करके शुरुआत की। उन्होंने 79 विभिन्न रासायनिक तत्वों को कवर करते हुए, लगभग 20,000 अद्वितीय फ्रेमवर्क्स के 85,000 से अधिक विभिन्न विन्यासों के लिए ऊर्जा और बलों की गणना की। महत्वपूर्ण रूप से, उन्होंने पिछले अध्ययनों की तुलना में एक अधिक उन्नत स्तर के सिद्धांत का उपयोग किया, जो इन स्पंजों को एक साथ रखने और गैस अणुओं को पकड़ने में सक्षम करने वाले सूक्ष्म, दीर्घ-दूरी के बलों का बेहतर ढंग से लेखा-जोखा रखता है। इस डेटासेट में न केवल सामग्रियों के स्थिर स्नैपशॉट शामिल हैं, बल्कि विभिन्न तापमानों पर उनके चलने और कंपन करने के सिमुलेशन भी शामिल हैं, जो AI को वास्तविक दुनिया में संरचनाएं कैसे व्यवहार करती हैं, इसका एक गतिशील दृश्य प्रदान करते हैं।

यह सुनिश्चित करने के लिए कि उनके नए उपकरण वास्तव में काम करें, शोधकर्ताओं ने एक कठोर परीक्षण मैदान बनाया। उन्होंने वैज्ञानिक पत्रों को स्कैन करने और गुणों जैसे कि एक सामग्री कितनी गैस धारण कर सकती है या गर्म होने पर यह कैसे फैलती है, के हजारों सत्यापित प्रयोगात्मक मापों को निकालने के लिए उन्नत भाषा मॉडल का उपयोग किया। इसने वास्तविक दुनिया के डेटा का एक विशाल बेंचमार्क बनाया जिसके विरुद्ध वे अपने AI मॉडल का परीक्षण कर सकते थे। फिर उन्होंने अपने उच्च-गुणवत्ता वाले डेटासेट पर दो नए AI मॉडल प्रशिक्षित किए। परिणाम आश्चर्यजनक थे। जब मानक, स्थिर गुणों जैसे कि एक सामग्री कितनी सख्त है, पर परीक्षण किया गया, तो नए मॉडल मौजूदा उपकरणों के समान ही प्रदर्शन करते थे। लेकिन जब परीक्षण गैस अधिशोषण (adsorption)—यानी एक स्पंज कितनी गैस सोख सकता है और वह इसे कितनी मजबूती से पकड़ता है—के कठिन, अधिक गतिशील कार्य की ओर बढ़े, तो नए मॉडलों ने प्रतिस्पर्धा को बहुत पीछे छोड़ दिया।

नए मॉडलों ने गैस बाइंडिंग स्ट्रेंथ (गैस बंधन शक्ति) की भविष्यवाणी करने में त्रुटि को अन्य विशिष्ट मॉडलों की तुलना में 80 प्रतिशत से अधिक कम कर दिया, जिससे भविष्यवाणियां प्रयोगात्मक अनिश्चितता के स्तर तक आ गईं। यह सफलता केवल अधिक डेटा होने के बारे में नहीं थी; वास्तव में, प्रतिस्पर्धा करने वाले एक मॉडल को लगभग एक हजार गुना बड़े डेटासेट पर प्रशिक्षित किया गया था, फिर भी उसका प्रदर्शन खराब रहा। शोधकर्ताओं ने पाया कि उनकी सफलता की कुंजी उनके प्रशिक्षण डेटा में भौतिकी की गुणवत्ता और उच्च-तापमान आंदोलन सिमुलेशन का एक छोटा लेकिन महत्वपूर्ण हिस्सा शामिल करना था। भले ही ये चलते हुए स्नैपशॉट उनके कुल डेटा का केवल 1.7 प्रतिशत हिस्सा थे, वे गैस अणुओं के फ्रेमवर्क से टकराने पर होने वाले अराजक, उच्च-ऊर्जा क्षणों को संभालने के लिए AI को सिखाने में आवश्यक थे। इस विशिष्ट प्रकार के डेटा के बिना, मॉडल वास्तविक दुनिया के अनुप्रयोगों के लिए आवश्यक स्थिरता को पकड़ने में विफल रहे।

पेपर यह निष्कर्ष निकालता है कि इन सामग्रियों को डिजाइन करने का भविष्य केवल अधिक डेटा एकत्र करने में नहीं है, बल्कि सही प्रकार का डेटा एकत्र करने में है जो सिस्टम के जटिल भौतिकी का सम्मान करता हो। अपने डेटासेट, अपने प्रयोगात्मक बेंचमार्क और अपने प्रशिक्षित मॉडलों को जनता के लिए जारी करके, शोधकर्ताओं ने क्षेत्र के लिए एक नया मानक प्रदान किया है। यह अन्य वैज्ञानिकों को मेटल-ऑर्गेनिक फ्रेमवर्क्स को डिजाइन करने और स्क्रीन करने की अनुमति देता है जो उस स्तर के आत्मविश्वास के साथ संभव नहीं था, जो दुनिया की सबसे गंभीर ऊर्जा और पर्यावरणीय चुनौतियों को हल करने में मदद कर सकने वाली सामग्रियों की खोज को तेज करता है।

इसी तरह के और पेपर