SoLiD26: A First Principles Solid-Liquid Interface Dataset for Machine-learned Interatomic Potentials

सामग्री विज्ञान (मटेरियल्स साइंस) की छिपी हुई दुनिया में, कुछ सबसे महत्वपूर्ण प्रक्रियाएं ठोस ब्लॉक के केंद्र में या तरल में स्वतंत्र रूप से तैरने के बजाय, ठीक वहीं होती हैं जहाँ ये दोनों मिलते हैं। यह सीमा, जिसे ठोस-तरल इंटरफेस (solid-liquid interface) के रूप में जाना जाता है, वह स्थान है जहाँ बैटरियां चार्ज होती हैं, जहाँ उत्प्रेरक (कैटलिस्ट) रासायनिक प्रतिक्रियाओं को तेज करते हैं, और जहाँ धातुएं संक्षारित (corrode) होना शुरू होती हैं। इन प्रक्रियाओं को समझने के लिए, वैज्ञानिक कंप्यूटर सिमुलेशन पर भरोसा करते हैं जो वर्चुअल सूक्ष्मदर्शी (virtual microscopes) के रूप में कार्य करते हैं, जिससे वे परमाणुओं को चलते और परस्पर क्रिया करते हुए देख सकते हैं। दशकों से, इसे करने का सबसे सटीक तरीका क्वांटम मैकेनिक्स के नियमों पर आधारित जटिल समीकरणों को प्रत्येक परमाणु के लिए हल करना रहा है। अविश्वसनीय रूप से सटीक होने के बावजूद, यह विधि इतनी गणनात्मक रूप से भारी है कि यह केवल परमाणुओं की एक बहुत छोटी संख्या को बहुत कम समय के लिए ही सिम्युलेट कर सकती है, जैसे कि किसी फिल्म का एक सिंगल फ्रेम देखना। यह देखने के लिए कि एक बैटरी कैसे खराब होती है या एक उत्प्रेरक कैसे काम करता है, शोधकर्ताओं को लाखों परमाणुओं को बहुत लंबी अवधि तक सिम्युलेट करने की आवश्यकता होती है, एक ऐसा कार्य जिसे पारंपरिक विधियाँ सरल रूप से संभालने में सक्षम नहीं हैं।

इस अंतर को पाटने के लिए, वैज्ञानिकों ने मशीन-लर्नड इंटरएटोमिक पोटेंशियल (machine-learned interatomic potentials) नामक उपकरणों की एक नई पीढ़ी विकसित की है। इन्हें स्मार्ट शॉर्टकट के रूप में समझें: एक कंप्यूटर प्रोग्राम को पहले धीमी लेकिन सटीक क्वांटम मैकेनिक्स विधि द्वारा सिखाया जाता है, और फिर वह अविश्वसनीय गति के साथ यह भविष्यवाणी करना सीख जाता है कि परमाणु कैसे व्यवहार करेंगे, जिससे विशाल प्रणालियों का सिमुलेशन संभव हो जाता है। हालाँकि, इन शॉर्टकटों को ठोस और तरल के मिलन वाली इस अव्यवस्थित और जटिल दुनिया में प्रभावी ढंग से काम करने के लिए, उन्हें ऐसे डेटा पर प्रशिक्षित होने की आवश्यकता है जो विशेष रूप से उस अद्वितीय वातावरण को कैप्चर करे। अब तक, अधिकांश प्रशिक्षण डेटा ने अलग-थलग अणुओं या आदर्श क्रिस्टल पर ध्यान केंद्रित किया है, जिससे ठोस और तरल कैसे परस्पर क्रिया करते हैं, इस बारे में ज्ञान की कमी रह गई थी। डेनमार्क की टेक्निकल यूनिवर्सिटी के शोधकर्ताओं ने अब इस अंतर को भर दिया है और इन इंटरफेस के लिए विशेष रूप से डिज़ाइन किया गया एक विशाल डेटासेट तैयार किया है।

शोधकर्ताओं ने, जिनका नेतृत्व जोनास बुस्क और टेज वेगे ने किया, एक डेटासेट संकलित किया जिसे वे SoLiD26 कहते हैं। यह उदाहरणों का कोई छोटा संग्रह नहीं है; यह एक विशाल संग्रह है जिसमें 15 मिलियन से अधिक विशिष्ट परमाणु संरचनाएं शामिल हैं। प्रत्येक संरचना एक ऐसी प्रणाली का स्नैपशॉट है जहाँ ठोस धातु तरल जल या इलेक्ट्रोलाइट से मिलती है, जो परमाणुओं के उस अराजक नृत्य को कैप्चर करती है जब वे खुद को व्यवस्थित करते हैं, बंध बनाते हैं और तोड़ते हैं। इस डेटासेट में 576 परमाणुओं तक की प्रणालियाँ शामिल हैं और इसमें हाइड्रोजन और ऑक्सीजन जैसे सामान्य तत्वों से लेकर सोना, प्लैटिनम और तांबे जैसी कीमती धातुओं तक 15 विभिन्न रासायनिक तत्व शामिल हैं। ये स्नैपशॉट डेंसिटी फंक्शनल थ्योरी (density functional theory) नामक एक कठोर पद्धति का उपयोग करके उत्पन्न किए गए थे, जो उच्च सटीकता के साथ प्रत्येक परमाणु पर लगने वाली ऊर्जा और बलों की गणना करता है। टीम ने जलीय धातु इंटरफेस और इलेक्ट्रोकेमिकल प्रणालियों पर कई पिछले अध्ययनों से इन गणनाओं को एकत्र किया, और फिर उन्हें सावधानीपूर्वक साफ और व्यवस्थित करके एक एकल, सुसंगत संसाधन में बदला।

इस डेटासेट को बनाने की प्रक्रिया अत्यंत सूक्ष्म थी। शोधकर्ताओं ने विभिन्न परियोजनाओं से कच्चा डेटा एकत्र करके शुरुआत की, लेकिन वे जानते थे कि सभी डेटा समान नहीं होते। उन्होंने उन गणनाओं को फ़िल्टर कर दिया जिनमें असंगत सेटिंग्स का उपयोग किया गया था या जिनमें त्रुटियां थीं, जैसे कि ऐसी संरचनाएं जहाँ परमाणुओं पर बल अवास्तविक रूप से अधिक थे। उन्होंने डुप्लिकेट प्रविष्टियों को भी हटा दिया ताकि मशीन लर्निंग मॉडल एक ही उदाहरण को बहुत अधिक बार देखकर पक्षपाती न हो जाए। सूक्ष्म त्रुटियों को पकड़ने के लिए, जो साधारण जांच से बच सकती हैं, उन्होंने डेटा को आउटलेर्स (outliers) को स्कैन करने के लिए एक प्रारंभिक मशीन लर्निंग मॉडल का उपयोग किया—ऐसी अजीब संरचनाएं जिन्हें मॉडल अच्छी तरह से अनुमानित नहीं कर सका, जो अक्सर मूल गणना में समस्या का संकेत देती थीं। इस कठोर सफाई प्रक्रिया ने यह सुनिश्चित किया कि अंतिम लाइब्रेरी में केवल उच्च-गुणवत्ता वाला, विश्वसनीय डेटा हो, जो नए AI मॉडल को प्रशिक्षित करने के लिए एक भरोसेमंद आधार बना सके।

इस डेटासेट का वास्तविक परीक्षण यह देखना था कि क्या यह वास्तव में एक मशीन लर्निंग मॉडल को मौजूदा मॉडलों की तुलना में ठोस-तरल इंटरफेस को बेहतर ढंग से समझने में सक्षम बना सकता है। टीम ने एक शक्तिशाली, पूर्व-प्रशिक्षित AI मॉडल लिया और उसे अपने नए डेटा पर प्रशिक्षित किया। उन्होंने इस नए मॉडल की तुलना मूल प्री-ट्रेंड संस्करण और नए डेटा पर शून्य से प्रशिक्षित एक मॉडल से की। परिणाम स्पष्ट थे: SoLiD26 पर प्रशिक्षित मॉडलों ने इन जटिल प्रणालियों के भीतर ऊर्जा और बलों की भविष्यवाणी करने में काफी कम गलतियाँ कीं। विशेष रूप से, परमाणुओं के एक-दूसरे पर दबाव और खिंचाव की भविष्यवाणी करने में त्रुटि पहले की तुलना में लगभग एक-तिहाई रह गई। यह सुधार बताता है कि डेटासेट ने सफलतापूर्वक AI को उन अद्वितीय नियमों को सिखाया जो ठोस और तरल के व्यवहार को नियंत्रित करते हैं, वे नियम जो पहले उपयोग किए जाने वाले सामान्य प्रशिक्षण डेटा में अनुपस्थित थे।

हालाँकि यह डेटासेट एक महत्वपूर्ण कदम है, शोधकर्ता सावधानीपूर्वक यह स्पष्ट करते हैं कि यह एक अंतिम समाधान के बजाय विकास के लिए एक उपकरण है। इस डेटा पर प्रशिक्षित मॉडलों को अभी भी और अधिक परिष्करण की आवश्यकता है, और वर्तमान परीक्षण विशिष्ट प्रकार के रासायनिक तत्वों और सिस्टम के आकार पर केंद्रित थे। फिर भी, इस 100-गीगाबाइट की लाइब्रेरी की उपलब्धता, जिसमें परमाणु स्थितियों, बलों और ऊर्जाओं के विस्तृत रिकॉर्ड शामिल हैं, दुनिया भर के वैज्ञानिकों के लिए बेहतर सिमुलेशन बनाने का द्वार खोलती है। ठोस-तरली इंटरफेस के लिए एक साझा, उच्च-गुणवत्ता वाले संसाधन प्रदान करके, SoLiD26 शोधकर्ताओं को छोटे पैमाने के सिमुलेशन की सीमाओं से आगे बढ़ने और उन जटिल, वास्तविक दुनिया की सामग्रियों का मॉडल बनाना शुरू करने की अनुमति देता है जो हमारे ऊर्जा भविष्य को शक्ति प्रदान करती हैं। यह कार्य प्रदर्शित करता है कि सही डेटा के साथ, मशीन लर्निंग अंततः उन जटिल सीमाओं को हल कर सकती है जहाँ रसायन विज्ञान और भौतिकी का मिलन होता है।