Combining physical models with dynamically acquired experimental information for the optimization of multicomponent NASICON fast ionic conductors in a self-driving laboratory

बेहतर बैटरी की खोज अक्सर वैज्ञानिकों को उन सामग्रियों की ओर ले जाती है जो उनके भीतर बिजली को बहने देती हैं। एक सोडियम-आयन बैटरी में, जो हमारे फोन और कारों को शक्ति देने वाली लिथियम-आयन बैटरी का एक टिकाऊ विकल्प है, यह प्रवाह एक ठोस इलेक्ट्रोलाइट के माध्यम से होता है। इस ठोस सामग्री को सोडियम आयनों के लिए एक राजमार्ग होना चाहिए, जिससे वे बैटरी को चार्ज और डिस्चार्ज करने के लिए तेजी से गुजर सकें, जबकि स्थिर और निर्माण में आसान भी रहे। इस काम के लिए सामग्रियों का एक आशाजनक परिवार है जिसे NASICON कहा जाता है। ये सोडियम, फास्फोरस, ऑक्सीजन और विभिन्न धातु परमाणुओं से बने जटिल क्रिस्टल हैं। चुनौती इनकी जटिलता में निहित है: विभिन्न धातु परमाणुओं को क्रिस्टल संरचना में बदलकर, वैज्ञानिक यह नियंत्रित कर सकते हैं कि आयन कितनी तेजी से चलते हैं। हालांकि, सही मिश्रण खोजना उस सुई खोजने जैसा है जिसका आकार बदलता रहता है। यदि मिश्रण थोड़ा भी गलत है, तो सामग्री वांछित क्रिस्टल संरचना बनाने से इनकार कर देती है और इसके बजाय बेकार अशुद्धियों का एक ढेर बना लेती है, जिससे वह बैटरी के लिए अनुपयोगी हो जाती है।

पारंपरिक रूप से, इन आदर्श मिश्रणों को खोजने की प्रक्रिया 'ट्रायल एंड एरर' (प्रयास और त्रुटि) की एक धीमी प्रक्रिया रही है, जहाँ शोधकर्ता एक फॉर्मूला का अनुमान लगाते हैं, उसे भट्टी में पकाते हैं और बेहतर परिणाम की उम्मीद करते हैं। यदि यह विफल हो जाता है, तो वे फिर से अनुमान लगाते हैं। जब संभावित संयोजनों की संख्या बहुत अधिक हो, तो यह दृष्टिकोण अक्षम है। एक नया अध्ययन काम करने का एक अलग तरीका पेश करता है। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो हमारे भौतिक विज्ञान के ज्ञान को वास्तविक प्रयोगों से प्राप्त फीडबैक के साथ जोड़ता है। उन्होंने एक ढांचा तैयार किया है जो एक स्व-सुधार मार्गदर्शक (self-correcting guide) के रूप में कार्य करता है। यह एक कंप्यूटर मॉडल से शुरू होता है जो भविष्यवाणी करता है कि कौन से रासायनिक नुस्खे काम करने की संभावना रखते हैं और कौन से विफल होने की। फिर, यह एक रोबोटिक प्रयोगशाला को एक संभावित नुस्खा भेजता है जो पाउडर को मिलाती है और उसे गर्म करती है। रोबोट फिर एक्स-रे का उपयोग करके परिणाम का विश्लेषण करता है ताकि देखा जा सके कि वास्तव में क्या बना है। यदि परिणाम पूर्ण नहीं है, तो सिस्टम अपनी गलती से सीखता है, अपने आंतरिक मानचित्र को समायोजित करता है, और तुरंत अगले दौर के लिए एक बेहतर नुस्खा तैयार करता है। यह चक्र दोहराता रहता है, जिसमें मशीन मानव की तुलना में बहुत तेजी से जटिल रासायनिक परिदृश्य को समझने के लिए हर सफलता और हर विफलता से सीखती है।

इस अध्ययन में, टीम ने नए सोडियम कंडक्टरों की खोज के लिए इस 'सेल्फ-ड्राइविंग' दृष्टिकोण को लागू किया। उन्होंने रोबोट को एक उच्च-आयामी रासायनिक स्थान में छोड़ दिया, जिसमें NASICON सामग्रियों के दर्जनों विविधताओं का परीक्षण किया गया। सिस्टम को दो प्रतिस्पर्धी लक्ष्यों के बीच संतुलन बनाने के लिए डिज़ाइन किया गया था: एक ऐसी सामग्री खोजना जिसे अशुद्धियों के बिना संश्लेषित करना आसान हो, और एक ऐसी सामग्री खोजना जो बिजली का अच्छा संचालन करे। रोबोट ने कुल 78 परीक्षण किए। पहले दौर में, इसने शुरुआती बिंदुओं का चयन करने के लिए अपने प्रारंभिक ज्ञान का उपयोग किया। इनमें से कई शुरुआती प्रयासों के परिणाम ऐसे थे जो काफी हद तक सही क्रिस्टल संरचना वाले थे लेकिन फिर भी उनमें कुछ अवांछित अशुद्धियाँ मौजूद थीं। सिस्टम ने इन परिणामों को खारिज नहीं किया; इसके बजाय, इसने मौजूद विशिष्ट अशुद्धियों का विश्लेषण किया। फिर इसने अगली बारी के लिए रासायनिक नुस्खे को बदलने के लिए उस जानकारी का उपयोग किया, उन सामग्रियों की मात्रा को कम किया जिनके कारण समस्या हुई थी, जबकि उन सामग्रियों को बनाए रखा जिन्होंने वांछित क्रिस्टल बनाने में मदद की थी।

इस स्वचालित अभियान के परिणाम महत्वपूर्ण थे। प्रत्येक रासायनिक प्रणाली के लिए समायोजन के केवल एक या दो दौरों के बाद, रोब manera सफलतापूर्वक 23 ऐसे संयोजन संश्लेषित किए जहाँ वांछित NASICON क्रिस्टल प्रमुख सामग्री था। इनमें से 18 उस विशिष्ट रासायनिक क्षेत्र में स्थित थे जिसकी कंप्यूटर मॉडल ने उच्च आयनिक चालकता (ionic conductivity) की भविष्यवाणी की थी। इन भविष्यवाणियों को सत्यापित करने के लिए, शोधकर्ताओं ने सबसे आशाजनक नमूनों को लिया और मापा कि वे कितनी अच्छी तरह बिजली का संचालन करते हैं। दो नई सामग्रियां विशिष्ट रूप से उभरीं। एक ने 0.7 मिलीसीमेंस प्रति सेंटीमीटर की कुल आयनिक चालकता दिखाई, और दूसरी ने 0.3 मिलीसीमेंस प्रति सेंटीमीटर तक पहुँच बनाई। जब शोधकर्ताओं ने सामग्री की आंतरिक संरचना को करीब से देखा, जिसमें दानों (grains) के बीच की सीमाओं को नजरअंदाज किया गया, तो पहले नमूने की चालकता बढ़कर 3.96 मिलीसीमエンス प्रति सेंटीमीटर और दूसरे की 3.17 मिलीसीमエンス प्रति सेंटीमीटर हो गई। ये संख्याएँ ज्ञात सर्वोत्तम सोडियम चालकों के प्रतिस्पर्धी हैं, और इन्हें उन वर्षों के मैनुअल अनुकूलन के बिना प्राप्त किया गया जो आमतौर पर आवश्यक होते हैं।

अध्ययन ने इन सामग्रियों की सीमाओं के बारे में कुछ महत्वपूर्ण भी उजागर किया। इन क्रिस्टलों के सफल और असफल होने के अवलोकन के माध्यम से, शोधकर्ता उनकी स्थिरता की सीमाओं का मानचित्रण करने में सक्षम हुए। उन्होंने पाया कि कोई सामग्री अपने सबसे स्थिर अवस्था से कितनी ऊपर ऊर्जा रख सकती है, इससे पहले कि वह विफल हो जाए, यह उपयोग किए गए विशिष्ट अवयवों पर निर्भर करता है। केवल फॉस्फेट समूहों से बनी सामग्रियों के लिए, यह सीमा काफी सख्त थी। हालांकि, उन सामग्रियों के लिए जिनमें फॉस्फेट के साथ सिलिकेट समूहों का मिश्रण था, सिस्टम विफलता से पहले अस्थिरता की एक बहुत व्यापक सीमा को सहन कर सकता था। यह सुझाव देता है कि विभिन्न प्रकार के रासायनिक बिल्डिंग ब्लॉक्स को मिलाने से संश्लेषण के नए मार्ग खुल सकते हैं जो पहले बहुत कठिन माने जाते थे। शोधकर्ताओं ने नोट किया कि हालांकि सिस्टम ने कई सफल नुस्खे खोजे, लेकिन इसने ऐसे मामले भी पहचाने जहाँ एक सामग्री कागज पर तो अच्छी दिखती थी लेकिन ठीक से संचालन करने में विफल रही, जो यह दर्शाता है कि रासायनिक नुस्खे और अंतिम प्रदर्शन के बीच का संबंध अभी भी जटिल है और पूरी तरह से समझा नहीं गया है।

इस परियोजना की सफलता सिद्धांत और प्रयोग के बीच के लूप को बंद करने की शक्ति को प्रदर्शित करती है। स्थिर कंप्यूटर मॉडल पर भरोसा करने के बजाय जो वास्तविक दुनिया के सूक्ष्म व्यवहारों को मिस कर सकते हैं, या केवल मानवीय अंतर्ज्ञान पर निर्भर रहने के बजाय, इस सिस्टम ने एक गतिशील दृष्टिकोण अपनाया। इसने प्रत्येक प्रयोग को, यहाँ तक कि विफल प्रयोगों को भी, मूल्यवान डेटा के रूप में माना। जब एक संश्लेषण शुद्ध क्रिस्टल बनाने में विफल रहा, तो सिस्टम केवल आगे नहीं बढ़ा; इसने विफलता की विशिष्ट प्रकृति का उपयोग करके अपने रासायनिक नियमों की समझ को परिष्कृत किया। इसने इसे उन संरचनाओं के संकीर्ण दायरे तक तेज़ी से पहुँचने की अनुमति दी जो संश्लेषित करने योग्य और कार्यात्मक दोनों थे। शोधकर्ताओं ने जोर दिया कि यह विधि कोई जादुई समाधान नहीं है जो सभी समस्याओं को तुरंत हल कर देता है। अभी भी ऐसे मामले थे जहाँ सिस्टम किसी क्रिस्टल के सटीक संयोजन की भविष्यवाणी करने में संघर्ष करता था जब वह अन्य चरणों के साथ मिश्रित होता था, और कुछ आशाजनक नुस्खों के परिणामस्वरूप कम चालकता भी प्राप्त हुई। हालाँकि, मृत अंत (dead ends) को तेजी से पहचानने और सर्वोत्तम उम्मीदवारों की खोज को परिष्कृत करने की क्षमता, एक महत्वपूर्ण कदम है।

यह कार्य सामग्रियों की खोज के एक नए प्रकार की नींव रखता है। यहाँ उपयोग किया गया ढांचा मॉड्यूलर है, जिसका अर्थ है कि इसे अन्य गुणों या सामग्रियों का परीक्षण करने के लिए आसानी से अनुकूलित किया जा सकता है। शोधकर्ता सुझाव देते हैं कि भविष्य में, ऐसे सिस्टम को कच्चे माल की लागत या बैटरी सेल के अन्य हिस्सों के साथ बैटरी सामग्री के जुड़ाव जैसे अन्य कारकों पर विचार करने के लिए विस्तारित किया जा सकता है। अंतिम लक्ष्य सरल स्क्रीनिंग से आगे बढ़ना है, जहाँ हजारों सामग्रियों का एक-एक करके परीक्षण किया जाता है, और इंटेलिजेंट प्रयोगशालाओं की ओर बढ़ना है जो अपने परिणामों के बारे में तर्क कर सकें और अपने अगले कदम खुद डिजाइन कर सकें। यह सिद्ध करके कि एक रोबोट नए, उच्च-प्रदर्शन वाली सामग्रियों की खोज के लिए अपनी गलतियों से सीख सकता है, यह अध्ययन दिखाता है कि बैटरी विकास का भविष्य उन मशीनों में निहित है जो केवल निर्देशों का पालन नहीं करती हैं, बल्कि सक्रिय रूप से रसायन विज्ञान की पहेलियों को सुलझाने के लिए सीखती हैं।