How Good Is DFT for Solid-Liquid Interfaces? A Comparison With the Random-Phase Approximation for Water on Graphene

पानी एक माहिर छद्मवेषी है। कांच जैसी चिकनी सतह पर, यह एक पतली, गीली परत के रूप में फैल जाता है। मोम जैसी पत्ती पर, यह गोल बूंदों के रूप में सिमट जाता है। यह व्यवहार, जिसे 'वेटिंग' (wetting) कहा जाता है, पानी के अणुओं और उस सतह के परमाणुओं के बीच के एक सूक्ष्म खिंचाव से निर्धारित होता है जिसे वे छूते हैं। दशकों से, वैज्ञानिक कंप्यूटर सिमुलेशन का उपयोग करके यह अनुमान लगाने की कोशिश कर रहे हैं कि पानी विभिन्न सामग्रियों पर वास्तव में कैसा व्यवहार करेगा। ये डिजिटल मॉडल बेहतर जल फिल्टर, अधिक कुशल इंजन और ऊर्जा भंडारण के नए तरीके डिजाइन करने के लिए आवश्यक हैं। हालांकि, जब शोधकर्ता इन सिमुलेशन को चलाते हैं, तो उन्हें अक्सर बहुत अलग उत्तर मिलते हैं, जो इस बात पर निर्भर करते हैं कि उन्होंने उन अदृश्य बलों का वर्णन करने के लिए किन गणितीय नियमों को चुना है। यह स्पष्ट नहीं था कि नियमों का कौन सा समूह वास्तव में सही है, जिससे कंप्यूटर द्वारा कही गई बातों और वास्तविक दुनिया में होने वाली घटनाओं के बीच एक अंतर बना हुआ था।

कैम्ब्रिज विश्वविद्यालय और मैक्स प्लैंक इंस्टीट्यूट फॉर पॉलिमर रिसर्च के शोधकर्ताओं की एक टीम ने इन विभिन्न गणितीय नियमों का परीक्षण एक बहुत ही कठोर मानक के विरुद्ध करके इस अनिश्चितता को हल किया है। उन्होंने एक विशिष्ट, स्वच्छ इंटरफेस पर ध्यान केंद्रित किया: ग्राफीन के ऊपर स्थित पानी, जो कार्बन परमाणुओं की एक एकल परत से बनी सामग्री है और कागज की एक शीट जितनी सपाट है। चूंकि ग्राफीन इतना सरल और एकसमान है, इसलिए यह एक आदर्श प्रयोगशाला के रूप में कार्य करता है जिससे यह देखा जा सके कि विभिन्न कंप्यूटर मॉडल पानी के अणुओं के जटिल नृत्य को कितनी अच्छी तरह पकड़ सकते हैं। टीम ने केवल एक त्वरित गणना नहीं की; उन्होंने एक परिष्कृत प्रणाली बनाई जिसने उन्हें हजारों पानी के अणुओं की गति का समय के साथ सिमुलेशन करने, यह देखने की अनुमति दी कि वे खुद को कैसे व्यवस्थित करते हैं, सतह पर कैसे फिसलते हैं, और कैसे कंपन करते हैं। कई मानक मॉडलों के परिणामों की एक उच्च-परिशुद्धता संदर्भ विधि (high-precision reference method) के साथ तुलना करके, वे यह पहचानने में सक्षम हुए कि कौन से डिजिटल उपकरण भरोसेमंद हैं और कौन से वैज्ञानिकों को गलत राह पर ले जाते हैं।

शोधकर्ताओं ने इस बात को स्वीकार करते हुए शुरुआत की कि सतह पर पानी एक कठिन समस्या है। पानी के अणु लगातार एक-दूसरे के साथ संबंध बना रहे होते हैं और तोड़ रहे होते हैं, जबकि साथ ही वे नीचे के कार्बन परमाणुओं के खिंचाव को भी महसूस कर रहे होते हैं। मानक कंप्यूटर मॉडल अक्सर इन दो प्रतिस्पर्धी आकर्षणों के बीच संतुलन बनाने में संघर्ष करते हैं। सत्य को खोजने के लिए, टीम ने 'रैंडम-फेज एप्रोक्सिमेशन' (random-phase approximation) नामक विधि का उपयोग किया जो उनका 'गोल्ड स्टैंडर्ड' था। यह दृष्टिकोण गणनात्मक रूप से बहुत महंगा और धीमा है, जिससे लंबी सिमुलेशन चलाने में अव्यावहारिक हो जाता है जो पानी के बहने या कंपन करने को देखने के लिए आवश्यक होती है। इस समस्या से निपटने के लिए, शोधकर्ताओं ने इस उच्च-परिशुद्धता विधि के परिणामों पर मशीन-लर्निंग मॉडल को प्रशिक्षित किया। इन मशीन-लर्निंग मॉडलों को एक ऐसे अत्यधिक कुशल प्रशिक्षु के रूप में सोचें जिसने गुरु के काम का इतनी गहराई से अध्ययन किया है कि वह बिना हर बार भारी मेहनत किए, एक जटिल स्थिति के परिणाम का लगभग तुरंत अनुमान लगा सकता है। इसने टीम को पर्याप्त लंबे समय तक सिमुलेशन चलाने की अनुमति दी ताकि पानी के वास्तविक व्यवहार को पकड़ा जा सके, जिसमें यह भी शामिल है कि वे कैसे परतें बनाते हैं, सतह कितनी फिसलन भरी महसूस होती है, और वे प्रकाश को कैसे अवशोषित करते हैं।

जब उन्होंने मानक मॉडलों के परिणामों की इस उच्च-परिशुद्धता संदर्भ के साथ तुलना की, तो अंतर स्पष्ट थे। मानक मॉडल एक-दूसरे से और संदर्भ से बड़े अंतरों के साथ असहमत थे। कुछ मॉडलों ने भविष्यवाणी की कि पानी ग्राफीन के विरुद्ध बहुत घनी, संरचित परतें बनाएगा, जबकि अन्य ने बहुत ढीली व्यवस्था का सुझाव दिया। यह भिन्नता महत्वपूर्ण थी क्योंकि पानी की संरचना सीधे तौर पर यह प्रभावित करती है कि सतह कितनी गीली दिखाई देती है और पानी उसके ऊपर कितनी आसानी से बह सकता है। उदाहरण के लिए, टीम ने पानी और ग्राफीन के बीच घर्षण (friction), या प्रतिरोध को मापा। मानक मॉडलों ने घर्षण के ऐसे मान प्रस्तुत किए जो संदर्भ द्वारा पाए गए मान से साठ प्रतिशत कम से लेकर दोगुने से भी अधिक तक थे। इसका अर्थ यह है कि एक गलत मॉडल चुनने वाला शोधकर्ता यह निष्कर्ष निकाल सकता है कि एक सतह लगभग घर्षण रहित है जबकि वह वास्तव में काफी चिपचिपी है, या इसके विपरीत। अध्ययन ने पानी के 'वाइब्रेशनल स्पेक्ट्रा' (vibrational spectra) को भी देखा, जो इस बात का फिंगरप्रिंट है कि अणु कैसे चल रहे हैं। यहाँ भी, मानक मॉडल अक्सर संकेतों के आकार और स्थिति को गलत बताते थे, जिससे पता चलता था कि पानी के अणु गलत गति या गलत शक्ति के साथ कंपन कर रहे थे।

इस कार्य का सबसे महत्वपूर्ण निष्कर्ष यह है कि सही मॉडल चुनने का कोई सरल नियम नहीं है। कोई उम्मीद कर सकता है कि अधिक जटिल मॉडल, जिनमें अधिक भौतिक विवरण शामिल होते हैं, हमेशा बेहतर होंगे। शोधकर्ताओं ने पाया कि यह सच नहीं था। एक मॉडल जो एक गुण के लिए अच्छी तरह से काम करता है, वह दूसरे गुण के लिए पूरी तरह विफल हो सकता है। उदाहरण के लिए, एक मॉडल जो पानी की परतों की संरचना की सटीक भविष्यवाणी करता है, वह यह भविष्यवाणी करने में पूरी तरह चूक सकता है कि पानी कितनी तेजी से फिसलता है या कैसे कंपन करता है। इस अराजकता को समझने के लिए, टीम ने एक स्कोरिंग सिस्टम बनाया जिसने प्रत्येक मॉडल का विभिन्न गुणों के माध्यम से मूल्यांकन किया। उन्होंने देखा कि प्रत्येक मॉडल घनत्व, घर्षण, कंपन संकेतों और अणुओं के ओरिएंटेशन (orientation) के लिए संदर्भ के साथ कितनी अच्छी तरह मेल खाता है। इस व्यापक परीक्षण से पता चला कि परीक्षण किए गए कई मॉडलों में से केवल कुछ ही विश्वसनीय थे। छह विशिष्ट मॉडल अध्ययन के लिए सबसे अच्छे शुरुआती बिंदु के रूप में उभरे। ये मॉडल, जिनमें विभिन्न गणितीय दृष्टिकोणों का मिश्रण है, टीम द्वारा मापे गए सभी गुणों में उच्च-परिशुद्धता परिणामों को लगातार पुनरुत्पादित करते हैं।

अध्ययन ने इस क्षेत्र के भविष्य के लिए एक महत्वपूर्ण सबक भी रेखांकित किया: संरचना को सही प्राप्त करने का अर्थ यह गारंटी नहीं है कि आप गतिशीलता (dynamics) को भी सही प्राप्त कर लेंगे। कंप्यूटर मॉडल के लिए यह अनुमान लगाना आसान है कि पानी के अणु कहाँ बैठे हैं, बजाय इसके कि वे कैसे चलते हैं या कैसे कंपन करते हैं। यह एक महत्वपूर्ण अंतर है क्योंकि कई वास्तविक दुनिया के अनुप्रयोग, जैसे घर्षण को मापना या प्रकाश स्पेक्ट्रा का विश्लेषण करना, इन गतिशील व्यवहारों पर निर्भर करते हैं। एक मॉडल जो पानी के स्थिर स्नैपशॉट पर अच्छा दिखता है, वह अभी भी इस बारेв गलत निष्कर्षों की ओर ले जा सकता है कि पानी वास्तव में समय के साथ कैसे व्यवहार करता है। शोधकर्ताओं ने इस बात पर जोर दिया कि उनके निष्कर्ष सिमुलेशन पर आधारित हैं, और हालांकि वे सही उपकरण चुनने के लिए एक स्पष्ट मार्ग प्रदान करते हैं, अंतिम परीक्षण यह है कि ये मॉडल वास्तविक दुनिया के प्रयोगों से कितनी अच्छी तरह जुड़ते हैं। ग्राफीन पर पानी के लिए प्रायोगिक मापों की विस्तृत भिन्नता यह तय करना कठिन बनाती है कि लैब डेटा के आधार पर एकल विजेता कौन है, यही कारण है कि उच्च-परिशुद्धता सैद्धांतिक संदर्भ के विरुद्ध तुलना करना इतना महत्वपूर्ण था।

छह सबसे विश्वसनीय मॉडलों की पहचान करके, यह कार्य भविष्य के अनुसंधान के लिए एक ठोस आधार प्रदान करता है। वैज्ञानिक अब अधिक आत्मविश्वास के साथ नैनोफ्लुइडिक चैनलों या अन्य द्वि-आयामी सामग्रियों जैसे अधिक जटिल प्रणालियों का अध्ययन करने के लिए इन विशिष्ट उपकरणों का उपयोग कर सकते हैं। टीम ने अपना स्कोरिंग सिस्टम भी दूसरों के लिए उपलब्ध कराया, जिससे शोधकर्ता अपने स्वयं के मॉडलों का उसी उच्च-परिशुद्धता मानक के विरुद्ध परीक्षण कर सकें। यह पारदर्शिता सुनिश्चित करती है कि कल की तकनीकों को डिजाइन करने के लिए उपयोग किए जाने वाले डिजिटल उपकरण सूक्ष्म दुनिया की ठोस समझ पर निर्मित हों। यह अध्ययन यह दावा नहीं करता है कि इसने सतहों पर पानी के हर रहस्य को सुलझा लिया है, लेकिन इसने इस भ्रम को दूर कर दिया है कि किन गणितीय नियमों पर भरोसा किया जाए, जिससे एक विरोधाभासी अनुमानों वाले क्षेत्र को साक्ष्य-आधारित चयन वाले क्षेत्र में बदल दिया गया है।