Quantitative control and recording of materials-synthesis processes using an automated experimentation platform

बेहतर सामग्रियां बनाने की खोज—मजबूत मिश्र धातुएं, अधिक कुशल बैटरी, या स्मार्ट उत्प्रेरक—लंबे समय से परीक्षण और त्रुटि (ट्रायल एंड एरर) की एक धीमी, मानवीय प्रक्रिया पर निर्भर रही है। वैज्ञानिक रसायनों को मिलाते हैं, उन्हें गर्म करते हैं, और परिणामों का अवलोकन करते हैं, इस उम्मीद में कि वे किसी ऐसे संयोजन को खोज लेंगे जो काम कर जाए। लेकिन मानवीय हाथ पूरी तरह से स्थिर नहीं होते, और "धीरे-धीरे मिलाएं" या "जब तक धुंधला न हो जाए तब तक डालें" जैसे मानवीय विवरण व्याख्या के लिए खुले होते हैं। इस सटीकता की कमी के कारण प्रयोगों को ठीक से दोहराना कठिन हो जाता है, जो आधुनिक डेटा-संचालित सामग्री विज्ञान (मटेरियल्स साइंस) के क्षेत्र में एक बड़ी बाधा है। कंप्यूटर को नए पदार्थों की भविष्यवाणी करना सिखाने के लिए, शोधकर्ताओं को उच्च गुणवत्ता वाले विशाल डेटा की आवश्यकता होती है जहाँ प्रयोग के हर एक चरण को सटीक संख्याओं के साथ दर्ज किया गया हो। यदि डेटा अस्पष्ट है, तो कंप्यूटर की भविष्यवाणियां भी अस्पष्ट होंगी। चुनौती, केवल रसायन मिलाने वाली मशीनें बनाने की नहीं है, बल्कि ऐसी प्रणालियाँ बनाने की है जो उस प्रक्रिया के अदृश्य विवरणों को माप और रिकॉर्ड कर सकें जिन्हें मनुष्य अक्सर अनदेखा कर देते हैं।

हाल ही में एक अध्ययन में, जापान के टोहोकू विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक सरल, ओपन-सोर्स प्लेटफॉर्म बनाकर इस समस्या का समाधान किया, जिसे रासायनिक घोलों को अत्यधिक सटीकता के साथ मिलाने के लिए डिज़ाइन किया गया है। एक पूरी तरह से स्वायत्त रोबोट बनाने के बजाय जो किसी भी प्रयोग को शुरू से डिजाइन और चला सके, उन्होंने एक अधिक व्यावहारिक लक्ष्य पर ध्यान केंद्रित किया: एक विश्वसनीय प्रणाली बनाना जो एक विशिष्ट कार्य को बार-बार कर सके और यह भी रिकॉर्ड कर सके कि इसे कैसे किया गया था। उन्होंने रोबोटिक आर्म्स और इलेक्ट्रिक पिपेट जैसे बाजार में उपलब्ध उपकरणों को कस्टम-मेड 3D-प्रिंटेड भागों और एक कैमरा सिस्टम के साथ जोड़ा। एक प्रमुख नवाचार एक आर्टिफिशियल इंटेलिजेंस एजेंट का उपयोग था जो रोबند को नियंत्रित करने के लिए कंप्यूटर कोड लिख सके। इसने सिस्टम को विशेषज्ञ प्रोग्रामरों की टीम की आवश्यकता के बिना विभिन्न सेटअपों के अनुकूल बनाना आसान बना दिया। शोधकर्ताओं ने इस प्लेटफॉर्म का परीक्षण ZIF-8 के संश्लेषण द्वारा किया, जो एक प्रकार का मेटल-ऑर्गेनिक फ्रेमवर्क है, जो गैस भंडारण और उत्प्रेरण (कैटलिसिस) के लिए उपयोगी एक छिद्रपूर्ण सामग्री है। लक्ष्य यह देखना था कि क्या मशीन मानव की तुलना में मिश्रण प्रक्रिया को बेहतर ढंग से नियंत्रित कर सकती है और, अधिक महत्वपूर्ण बात यह है कि क्या वह यह प्रकट कर सकती है कि विशिष्ट, मापने में कठिन कारक अंतिम उत्पाद को कैसे प्रभावित करते हैं।

प्रयोग में ZIF-8 सामग्री बनाने के लिए दो तरल घोलों को मिलाना शामिल था। एक पारंपरिक लैब में, एक वैज्ञानिक दूसरे घोल को पहले में डालने के लिए मैन्युअल पिपेट का उपयोग कर सकता है। पिपेट बल्ब को दबाने की गति आमतौर पर 'एहसास' का मामला होती है, जिसे लैब नोटबुक में केवल "धीमी" या "तेज" के रूप में वर्णित किया जाता है। इस स्वचालित प्रणाली में, शोधकर्ताओं ने इलेक्ट्रिक पिपेट का उपयोग किया जिन्हें नौ अलग-अलग गति स्तरों पर सेट किया जा सकता था, जिसमें दस सेकंड का बहुत धीमा बहाव से लेकर एक सेकंड से कम का तीव्र बहाव शामिल था। उन्होंने संश्लेषण को कई बार चलाया, सबसे धीमी, मध्यम और सबसे तेज़ सेटिंग्स के बीच बारी-बारी से प्रयोग किया। परिणाम आश्चर्यजनक थे। हालांकि अंतिम सफेद पाउडर की रासायनिक संरचना हर रन में समान थी, लेकिन कणों का आकार इस बात पर नाटकीय रूप रूप से बदल गया कि तरल को कितनी तेजी से डाला गया था। जब घोल को धीरे-धीरे डाला गया, तो परिणामी कण बड़े थे। जब इसे तेजी से डाला गया, तो कण छोटे थे। यह संबंध इतना सुसंगत था कि शोधकर्ता मिश्रण के दौरान उपयोग किए गए गति सेटिंग को जानकर आसानी से कणों के आकार की भविष्यवाणी कर सकते थे।

यह खोज इसलिए संभव हुई क्योंकि सिस्टम ने एक ऐसे चर (वेरिएबल) को मापने में सक्षमता दिखाई जिसे आमतौर पर अनदेखा किया जाता है। मैनुअल प्रयोगों में, जोड़ने की गति को शायद ही कभी मापा या रिकॉर्ड किया जाता है; यह केवल प्रक्रिया का एक अस्पष्ट हिस्सा होता है। चूंकि इसे ट्रैक नहीं किया गया था, इसलिए इसका प्रभाव सामग्री पर छिपा रहा। हालाँकि, स्वचालित प्लेटफॉर्म ने वितरण गति (डिस्पेंसिंग स्पीड) को तापमान या वजन की तरह एक सटीक संख्या के रूप में माना। इस संख्या को हर बार रिकॉर्ड करके, शोधकर्ता यह सिद्ध कर सके कि मिश्रण की गति अंतिम कणों के आकार को निर्धारित करने में एक प्रमुख कारक थी। उन्होंने विशेष उपकरणों से कणों के आकार को मापकर इसकी पुष्टि की और पाया कि यह रुझान बार-बार किए गए प्रयोगों में भी सही रहा। सिस्टम ने मिश्रण के बनने के दौरान उसकी छवियां भी कैप्चर कीं, जिससे पता चला कि सफेद सस्पेंशन (निलंबन) गति के आधार पर कैसे अलग तरह से बैठता है, जिससे एक दृश्य रिकॉर्ड मिला जो संख्यात्मक डेटा से मेल खाता था। विवरण के इस स्तर ने खुलासा किया कि पुराने लैब मैनुअल के "धीमे" और "तेज" निर्देश वास्तव में क्रिस्टल के बनने की मौलिक भौतिकी को नियंत्रित कर रहे थे, एक ऐसा विवरण जो पहले अनुवाद में खो गया था।

अध्ययन ने यह भी प्रदर्शित किया कि इस स्तर का नियंत्रण और रिकॉर्डिंग एक जटिल, महंगी सुपर-रोबोट बनाए बिना भी प्राप्त की जा सकती है। पूरा सेटअप व्यावसायिक रूप से उपलब्ध घटकों और 3D-प्रिंटेड होल्डर्स का उपयोग करके बनाया गया था, और सभी डिज़ाइन फाइलें और कंप्यूटर कोड अन्य वैज्ञानिकों के लिए मुफ्त में उपलब्ध कराए गए। यह दृष्टिकोण अन्य प्रयोगशालाओं के लिए समान स्वचालन अपनाने की बाधा को कम करता है। ब्लूप्रिंट और सॉफ्टवेयर साझा करके, शोधकर्ता प्रयोगों के संचालन के तरीके में बदलाव लाने की आशा करते हैं। एक एकल विशेषज्ञ के अंतर्ज्ञान पर निर्भर रहने के बजाय, वैज्ञानिक समुदाय मानकीकृत, अत्यधिक पुनरुत्पादक प्रक्रियाओं की ओर बढ़ सकता है जहाँ प्रत्येक चर ज्ञात और रिकॉर्ड किया गया हो। शोधकर्ताओं ने उल्लेख किया कि हालांकि सिस्टम ने पूरी तरह से मानव निर्णय की जगह नहीं ली, लेकिन इसने सफलतापूर्वक उन दोहराव वाले, सटीकता-महत्वपूर्ण कार्यों को संभाला जिन्हें मनुष्य लगातार करने में संघर्ष करते हैं। मानव निरीक्षण और मशीन की सटीकता के बीच यह सहयोग उस प्रकार के उच्च-गुणवत्ता वाले डेटा को एकत्र करने की अनुमति देता है जिसकी आवश्यकता नई सामग्रियों की खोज को पहले की तुलना में अधिक तेज़ी से और अधिक विश्वसनीयता के साथ प्रशिक्षित करने के लिए AI मॉडल को होती है।

अंततः, यह कार्य दर्शाता है कि बेहतर सामग्रियों का मार्ग अधिक जटिल रोबोटों में नहीं, बल्कि बेहतर डेटा में निहित है। अस्पष्ट निर्देशों को सटीक संख्याओं में बदलकर, शोधकर्ताओं ने एक रासायनिक मिश्रण और अंतिम सामग्री के स्वरूप के बीच सीधा संबंध खोज निकाला। उन्होंने सिद्ध किया कि तरल डालने की गति केवल एक मामूली विवरण नहीं है, बल्कि सामग्री के गुणों को नियंत्रित करने वाला एक शक्तिशाली साधन है। यह खोज बताती है कि कई अन्य सामग्रियों के पास प्रक्रिया के विवरणों पर छिपे हुए निर्भरताएं हो सकती हैं जिन्हें दशकों से अनदेखा किया गया है। एक ऐसे प्लेटफॉर्म के साथ जो इन विवरणों को स्वचालित रूप से रिकॉर्ड कर सकता है, वैज्ञानिक सामग्रियों के निर्माण के बारे में एक व्यापक लाइब्रेरी बनाना शुरू कर सकते हैं, जिससे एक ऐसे भविष्य का मार्ग प्रशस्त होगा जहाँ नई वस्तुओं का डिजाइन अनुमान के बजाय सटीक, पुनरुत्पादक डेटा द्वारा निर्देशित होगा। अध्ययन निष्कर्ष निकालता है कि सामग्री विज्ञान का भविष्य प्रयोग के पूर्ण विवरण को कैप्चर करने पर निर्भर है, न कि केवल अंतिम परिणाम पर, और सरल, पारदर्शी स्वचालन उस कहानी को स्पष्ट रूप से लिखने की कुंजी है।