Machine-Learning Exploration of Defect Topologies and Thermodynamic Stability in Graphene with Atomic Vacancies
यह अध्ययन अर्ध-अनुभवजन्य परमाणु ऊष्मागतिकी (semiempirical atomistic thermodynamics) को व्याख्यात्मक मशीन लर्निंग और प्रतीकात्मक प्रतिगमन (symbolic regression) के साथ जोड़कर, परमाणु रिक्तियों (atomic vacancies) वाले ग्राफीन की ऊष्मागतिक स्थिरता का मानचित्रण करता है, जो जटिल संरचना-स्थिरता संबंध को एक संक्षिप्त, उच्च-सटीक विश्लेषणात्मक नियम में सफलतापूर्वक संक्षेपित करता है जो दोष सांद्रता (defect concentration) और अंतर-रिक्ति दूरी (inter-vacancy distance) को प्रमुख कारकों के रूप में पहचानता 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
ग्राफीन कार्बन परमाणुओं की एक ऐसी शीट है जो इतनी पतली है कि यह अनिवार्य रूप से द्वि-आयामी (two-dimensional) है, फिर भी यह अविश्वसनीय रूप से मजबूत है और बिजली का संचालन उल्लेखनीय सहजता के साथ करती है। वास्तविक दुनिया में, हालांकि, ये पूर्ण शीट कभी दोषरहित नहीं होती हैं। इनमें ऐसे अंतराल होते हैं जहाँ परमाणु गायब होते हैं, जिन्हें रिक्तियां (vacancies) कहा जाता है। ये गायब हिस्से केवल खामियां नहीं हैं; वे मौलिक रूप से सामग्री के व्यवहार को बदल देते हैं, इसके चुंबकीय गुणों, इसकी मजबूती और अन्य रसायनों के साथ इसके संपर्क को बदल देते हैं। वैज्ञानिक लंबे समय से जानते हैं कि ग्राफीन के एक टुकड़े की स्थिरता इस बात पर बहुत निर्भर करती है कि इन अंतरालों की संख्या कितनी है और वे एक-दूसरे से कितनी दूर हैं। जब अंतराल पास-पास होते हैं, तो आसपास के परमाणु उस स्थान को भरने के लिए खुद को पुनर्गठित करते हैं, जिससे वे अक्सर उन अंतरालों की तुलना में अधिक स्थिर हो जाते हैं जो दूर-दूर होते हैं। लेकिन हर संभावित व्यवस्था में इन अंतरालों के बीच होने वाली परस्पर क्रिया का सटीक मानचित्र बनाने का कार्य पारंपरिक कंप्यूटर सिमुलेशन के लिए बहुत विशाल है, जो संभावनाओं की भारी संख्या को संभालने में संघर्ष करते हैं।
ब्रासीलिया विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक स्पष्ट, समझने योग्य नियम बनाने के लिए कंप्यूटर सिमुलेशन को एक नए प्रकार के कृत्रिम बुद्धिमत्ता (artificial intelligence) के साथ जोड़कर इस समस्या का समाधान किया है कि ये दोष कैसे व्यवहार करते हैं। हर संभावना की गणना शून्य से करने के बजाय, उन्होंने सैकड़ों अलग-अलग ग्राफी फ शीटों का एक पुस्तकालय बनाया, जिनमें से प्रत्येक में गायब परमाणुओं की एक विशिष्ट संख्या और उन गायब स्थानों के बीच विशिष्ट दूरियां थीं। उन्होंने संरचनाओं को 'रिलैक्स' करने के लिए एक तेज़, अर्ध-अनुभवजन्य (semi-empirical) कंप्यूटर पद्धति का उपयोग किया, जिससे परमाणुओं को उनकी सबसे आरामदायक स्थितियों में बसने का अवसर मिला, और फिर प्रत्येक विशिष्ट व्यवस्था को बनाने के लिए आवश्यक ऊर्जा को मापा। यह ऊर्जा मान, जिसे निर्माण की ऊष्मा (heat of formation) कहा जाता है, स्थिरता का एक सीधा माप है: मान जितना कम होगा, संरचना उतनी ही अधिक स्थिर होगी।
इस विशाल डेटा को समझने के लिए, शोधकर्ताओं ने मशीन लर्निंग का सहारा लिया। उन्होंने कंप्यूटर को प्रत्येक ग्राफीन शीट का एक विशेष डिजिटल विवरण दिया, एक ऐसा कोड जो परमाणुओं के सटीक निर्देशांकों (coordinates) को जाने बिना छिद्रों के आकार और जुड़ाव को कैप्चर करता है। फिर उन्होंने किसी भी नई व्यवस्था की स्थिरता की भविष्यवाणी करने के लिए एक शक्तिशाली कंप्यूटर मॉडल को प्रशिक्षित किया। मॉडल ने उच्च सटीकता के साथ सीखा, और उन शीटों की स्थिरता की सटीक भविष्यवाणी की जिन्हें उसने पहले कभी नहीं देखा था, जिससे यह सिद्ध हुआ कि उसने केवल डेटा को याद करने के बजाय अंतर्निहित भौतिकी को वास्तव में समझ लिया था।
सबसे महत्वपूर्ण खोज तब हुई जब शोधकर्ताओं ने कंप्यूटर से अपने स्वयं के तर्क को समझाने के लिए कहा। यह विश्लेषण करके कि मॉडल किन कारकों पर सबसे अधिक निर्भर था, उन्होंने पाया कि दो चीजें सामग्री की स्थिरता पर हावी रहती हैं: गायब परमाणुओं की कुल संख्या और उनके बीच की दूरी। गायब परमाणुओं की संख्या प्राथमिक चालक है; गायब परमाणुओं की संख्या जितनी अधिक होगी, शीट आमतौर पर उतनी ही कम स्थिर होगी। हालांकि, उनके बीच की दूरी दूसरा महत्वपूर्ण कारक है। जब गायब परमाणु पास होते हैं, तो वे आपस में मिल जाते हैं और आसपास के जालीदार ढांचे (lattice) को नए आकारों में पुनर्गठित करते हैं, जिससे प्रभावी रूप से क्षति भर जाती है और ऊर्जा की लागत कम हो जाती है। जब वे दूर होते हैं, तो वे स्वतंत्र कमजोर बिंदुओं के रूप में कार्य करते हैं, जिससे सामग्री उच्च ऊर्जा वाली, कम स्थिर अवस्था में रह जाती है।
शोधकर्ता केवल एक जटिल कंप्यूटर मॉडल तक ही सीमित नहीं रहे। उन्होंने अपने निष्कर्षों को एक एकल, सरल गणितीय नियम में बदलने के लिए 'सिम्बोलिक रिग्रेशन' (symbolic regression) नामक तकनीक का उपयोग किया। यह नियम केवल गायब परमाणुओं की संख्या और उनके बीच की दूरी का उपयोग करके ग्राफीन शीट की स्थिरता को व्यक्त करता है। परिणामी सूत्र संक्षिप्त और उपयोग में आसान है, फिर भी यह लगभग पूर्ण सटीकता के साथ जटिल सिमुलेशन परिणामों को दोहराता है। यह कार्य प्रदर्शित करता है कि द्वि-आयामी सामग्रियों में दोषों की अराजक और उच्च-आयामी दुनिया को एक स्पष्ट, पूर्वानुमेय नियम में बदला जा सकता है। यह इंजीनियरों और वैज्ञानिकों के लिए एक व्यावहारिक उपकरण प्रदान करता है जो जानबूझकर विशिष्ट दोषों को पेश करके नई सामग्रियों को डिजाइन करना चाहते हैं, जिससे उन्हें प्रत्येक भिन्नता के लिए महंगे और समय लेने वाले सिमुलेशन चलाने की आवश्यकता के बिना अपने डिजाइनों की स्थिरता की भविष्यवाणी करने की अनुमति मिलती 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।