Fourier Neural Operators for Composition-Driven Crystal Structure Discovery
यह शोध पत्र क्रिस्टल संरचना खोज के लिए एक स्केलेबल फ्रेमवर्क प्रस्तुत करता है जो एक फूरियर न्यूरल ऑपरेटर-आधारित सॉल्वर को जोड़ता है, जो दीर्घ-रेंज आवधिक सहसंबंधों (long-range periodic correlations) को पकड़ने में सक्षम है, एक कंडीशनल वेरिएशनल ऑटोएनकोडर के साथ, ताकि निर्धारित रासायनिक संरचनाओं से विविध और वैध क्रिस्टल संरचनाएं उत्पन्न की जा सकें।
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
नए पदार्थों की खोज एक ऐसी खोज है जो सभ्यता जितनी ही पुरानी है, जो ऊर्जा को अधिक कुशलता से संग्रहीत करने, तेज़ इलेक्ट्रॉनिक्स बनाने और ऐसे उत्प्रेरक बनाने की आवश्यकता से प्रेरित है जो हमारी औद्योगिक दुनिया को बदल सकें। इस खोज के केंद्र में क्रिस्टल (crystal) है, जो एक ऐसा ठोस है जहाँ परमाणु एक दोहराते हुए, त्रि-आयामी पैटर्न में व्यवस्थित होते हैं। परमाणुओं के जुड़ने का विशिष्ट तरीका यह निर्धारित करता है कि कोई पदार्थ कठोर हीरा है, नरम धातु है, या एक सुपरकंडक्टर है। हालाँकि, संभावित क्रिस्टल संरचनाओं का ब्रह्मांड इतना विशाल है कि तत्वों के हर संयोजन का परीक्षण करके एक नया खोजने की कोशिश करना, पृथ्वी के हर समुद्र तट पर रेत के एक विशिष्ट कण को खोजने जैसा है। पारंपरिक कंप्यूटर विधियाँ लाखों संभावित संरचनाओं की ऊर्जा का अनुकरण करके इसे हल करने का प्रयास करती हैं, लेकिन यह प्रक्रिया इतनी धीमी और महंगी है कि यह संभावनाओं के एक बहुत छोटे हिस्से को ही खोज पाती है।
हाल के वर्षों में, वैज्ञानिक इस रासायनिक जंगल में रास्ता खोजने के लिए आर्टिफिशियल इंटेलिजेंस (AI) की ओर मुड़े हैं। ये नए मॉडल ज्ञात क्रिस्टल के मौजूदा डेटाबेस से सीखते हैं, और उन छिपे हुए नियमों को समझते हैं जो यह नियंत्रित करते हैं कि परमाणु खुद को कैसे व्यवस्थित करते हैं। वे फिर पूरी तरह से नई संरचनाएं प्रस्तावित कर सकते हैं जो पहले कभी नहीं देखी गई हैं। फिर भी, ये उन्नत AI सिस्टम भी एक महत्वपूर्ण बाधा का सामना करते हैं: वे अक्सर उन दीर्घ-रेंज संबंधों (long-range connections) को पकड़ने में संघर्ष करते हैं जो एक क्रिस्टल की दोहराती प्रकृति को परिभाषित करते हैं, और जब वे परमाणुओं की जटिल 3D छवियां बनाने की कोशिश करते हैं, तो वे अक्सर धुंधले या भौतिक रूप से असंभव परिणाम उत्पन्न करते हैं। शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण विकसित किया है जो इन सीमाओं को पार करता है, जो सामग्रियों की एक सरल सूची से स्थिर क्रिस्टल खोजने का एक तेज़ और अधिक विश्वसनीय तरीका प्रदान करता है।
चीन के विज्ञान और प्रौद्योगिकी विश्वविद्यालय (University of Science and Technology of China) में काम करने वाले शोधकर्ताओं ने 'क्रिस्टल एफएनओ' (CrystalFNO) नामक एक प्रणाली बनाई। समस्या को एक ही बड़े कदम में सटीक स्थिति का अनुमान लगाने के बजाय, उन्होंने इसे दो अलग-अलग चरणों में विभाजित किया। सबसे पहले, सिस्टम एक रासायनिक सूत्र—तत्वों की रेसिपी, जैसे कैल्शियम, पैलेडियम और ऑक्सीजन—लेता है और क्रिस्टल के कंटेनर के लिए संभावित आकृतियों का एक सेट उत्पन्न करता है, जिसे लैटिस पैरामीटर (lattice parameters) कहा जाता है। इसे क्रिस्टल के कंटेनर के आकार और कोणों को निर्धारित करने के रूप में समझें। इसे करने के लिए, उन्होंने एक प्रकार के न्यूरल नेटवर्क का उपयोग किया जिसे रासायनिक रेसिपी और उस ज्यामितीय बॉक्स के बीच के संबंध को समझने के लिए प्रशिक्षित किया गया था जिसमें वह आमतौर पर फिट होता है।
एक बार जब एक संभावित बॉक्स प्रस्तावित हो जाता है, तो सिस्टम अपने दूसरे, अधिक अभिनव चरण पर जाता है: यह भविष्यवाणी करना कि परमाणु उस स्थान को कैसे भरेंगे। यहाँ, शोधकर्ताओं ने पिछले AI मॉडलों में उपयोग किए जाने वाले मानक उपकरणों के स्थान पर फूरियर न्यूरल ऑपरेटर्स (Fourier neural operators) पर आधारित एक नए प्रकार के सॉल्वर का उपयोग किया। जहाँ पारंपरिक विधियाँ परमाणुओं के छोटे, स्थानीय परिवेशों का परीक्षण करके क्रिस्टल को देखती हैं, वहीं यह नया सॉल्वर पूरी संरचना को एक साथ देखता है, पूरे ग्रिड में दोहराते पैटर्न का विश्लेषण करता है। यह इसे उन दीर्घ-रेंज कनेक्शनों को पकड़ने की अनुमति देता जो एक स्थिर क्रिस्टल के लिए आवश्यक हैं। सॉल्वर दो अदृश्य क्षेत्रों (fields) की भविष्यवाणी करता है: एक जो यह दिखाता है कि परमाणु कहाँ होने की संभावना है, और दूसरा जो यह संकेत देता है कि वे किस प्रकार के परमाणु हैं। ये क्षेत्र स्मूथ, निरंतर मानचित्र (maps) हैं न कि निर्देशांकों की एक सूची, जो AI को जटिल, दोहराते पैटर्न के साथ निपटने में होने वाली भ्रम की स्थिति से बचने में मदद करता है।
इन अनुमानित क्षेत्रों के साथ, सिस्टम फिर वास्तविक क्रिस्टल संरचना का पुनर्निर्माण करता है। यह परमाणुओं को रखने के लिए घनत्व मानचित्रों (density maps) के शिखरों की पहचान करता है, यह सुनिश्चित करने के लिए उनकी स्थितियों को अनुकूलित करता है कि वे अनुमानित आकार में पूरी तरह से फिट हों, और दूसरे क्षेत्र के आधार पर सही तत्व प्रकारों को असाइन करता है। यह प्रक्रिया स्मूथ, अमूर्त भविष्यवाणियों को परमाणुओं की ठोस 3D व्यवस्था में बदल देती है। यह सुनिश्चित करने के लिए कि ये नई संरचनाएं केवल गणितीय जिज्ञासाएं नहीं बल्कि भौतिक रूप से वास्तविक संभावनाएं हैं, टीम ने उन्हें एक कठोर स्क्रीनिंग प्रक्रिया के अधीन किया। उन्होंने पहले स्पष्ट रूप से त्रुटिपूर्ण संरचनाओं को फ़िल्टर किया, फिर परमाणुओं को 'रिलैक्स' करने के लिए एक मशीन-लर्निंग मॉडल का उपयोग किया, जिससे उन्हें उनकी सबसे स्थिर, निम्न-ऊर्जा स्थितियों में बैठने में मदद मिली। अंत में, उन्होंने यह जांचने के लिए उच्च-स्तरीय गणनाएँ कीं कि क्या परिणामी क्रिस्टल एकजुट रहेंगे या बिखर जाएंगे।
इस नए दृष्टिकोण के परिणामों का परीक्षण ज्ञात सामग्रियों के एक विशाल डेटाबेस के विरुद्ध किया गया। सिस्टम ने सौ से अधिक विभिन्न रासायनिक सूत्रों के लिए नवीन संरचनाएं सफलतापूर्वक उत्पन्न कीं। एक महत्वपूर्ण परीक्षण में, शोधकर्ताओं ने पाया कि सिस्टम स्थिर, ज्यामितीय रूप से तर्कसंगत क्रिस्टल उत्पन्न कर सकता है जो किसी भी ज्ञात डेटाबेस में मौजूद नहीं थे। हजारों उम्मीदवारों में से, सैकड़ों ने सख्त स्थिरता जांच को पास किया, जिसमें सिल्वर, लैंथेनम और सिलिकॉन जैसे तत्वों के जटिल संयोजन भी शामिल थे। अध्ययन ने दिखाया कि नई विधि उच्च-समरूपता (high-symmetry) वाले क्रिस्टल को संभालने में विशेष रूप से प्रभावी है, जहाँ दोहराते पैटर्न मजबूत और स्पष्ट होते हैं, हालांकि इसे अधिक अनियमित, कम-समरूपता वाली संरचनाओं के साथ चुनौतियों का सामना करना पड़ता है जहाँ परमाणु व्यवस्था कम अनुमानित होती है।
महत्वपूर्ण रूप से, शोधकर्ताओं ने अपने कार्य में एक मौलिक कठिनाई की पहचान की: रासायनिक सूत्र से क्रिस्टल संरचना की भविष्यवाणी करना एक सरल एक-से-एक पहेली नहीं है। तत्वों और बॉक्स के आकार का एक ही सेट कभी-कभी कई अलग-अलग परमाणु व्यवस्थाओं के अनुरूप हो सकता है, जिसे बहुरूपता (polymorphism) कहा जाता है। क्योंकि उनकी प्रणाली नियतात्मक (deterministic) है, यह प्रशिक्षण के दौरान देखे गए सबसे विशिष्ट व्यवस्था की भविष्यवाणी करना सीखती है। किसी दुर्लभ या असामान्य व्यवस्था का सामना करने पर, यह एक ऐसा परिणाम दे सकती है जो करीब तो है लेकिन पूर्ण नहीं है। टीम ने इस सीमा को स्वीकार किया, यह नोट करते हुए कि सिस्टम की सफलता काफी हद तक क्रिस्टल की समरूपता पर निर्भर करती है; संरचना जितनी अधिक सममित होगी, सिस्टम उतनी ही सटीकता से घनत्व क्षेत्रों की भविष्यवाणी कर पाएगा और अंतिम सामग्री का पुनर्निर्माण कर पाएगा।
इन चुनौतियों के बावजूद, यह कार्य सामग्री खोज के क्षेत्र में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। क्रिस्टल के कंटेनर के निर्माण को उसके सामग्री के पूर्वानुमान से अलग करके, और एक ऐसे सॉल्वर का उपयोग करके जो केवल स्थानीय विवरणों के बजाय वैश्विक पैटर्न को समझता है, शोधकर्ताओं ने नई सामग्रियां खोजने का एक स्केलेबल मार्ग बनाया है। यह सिस्टम केवल मौजूदा क्रिस्टल की नकल नहीं करता है; यह स्थिर, नवीन संरचनाओं को खोजने के लिए संभावनाओं के विशाल स्थान का पता लगाता है जो एक दिन नई तकनीकों को शक्ति दे सकती हैं। अध्ययन पुष्टि करता है कि हालांकि कार्य जटिल है और रेसिपी से संरचना का मानचित्रण हमेशा अद्वितीय नहीं होता है, उन्नत न्यूरल ऑपरेटर्स को सावधानीपूर्वक भौतिक स्क्रीनिंग के साथ जोड़ना वैज्ञानिकों को भविष्य की सामग्रियां खोजने के लिए एक शक्तिशाली नया उपकरण प्रदान करता 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।