EpNet-Si: Atomic Form Factors Learned from Band Structures

ठोस सामग्रियों की दुनिया को समझने के लिए, कंप्यूटर चिप में सिलिकॉन से लेकर अंगूठी में हीरे तक, वैज्ञानिकों को यह मानचित्रण करना चाहिए कि इलेक्ट्रॉन उनके माध्यम से कैसे चलते हैं। ये इलेक्ट्रॉन स्वतंत्र रूप से नहीं घूमते; उन्हें उन परमाणुओं द्वारा बनाए गए अदृश्य परिदृश्य द्वारा आकार दिया जाता है जिनकी वे परिक्रमा करते हैं। दशकों से, शोधकर्ताओं ने इस परिदृश्य का मानचित्र बनाने के लिए दो मुख्य उपकरणों का उपयोग किया है। एक अत्यधिक विस्तृत, धीमा तरीका है जो प्रथम सिद्धांतों (first principles) से प्रत्येक परस्पर क्रिया की गणना करता है, जैसे कि एक पहाड़ की श्रृंखला का इंच-दर-इंच मापन करना। दूसरा, एक तेज़, पुराना दृष्टिकोण है जो प्रत्येक प्रकार के परमाणु के लिए निश्चित नियमों पर आधारित एक सरलीकृत मानचित्र का उपयोग करता है। यह पुराना तरीका एक एकल, पूर्ण क्रिस्टल के लिए बहुत अच्छा काम करता है, लेकिन जब सामग्री अपना आकार बदलती है या जब परमाणु असामान्य तरीकों से पैक किए जाते हैं, तो यह विफल हो जाता है। निश्चित नियम एक नए वातावरण के अनुकूल नहीं हो सकते, जिससे आधुनिक तकनीक की बढ़ती मांगों के लिए जटिल, विकृत संरचनाओं हेतु यह तेज़ विधि बेकार हो जाती है।

एक शोधकर्ता ने अब उस अंतर को पाट दिया है जिसे एक कंप्यूटर को उन निश्चित नियमों को तुरंत अपडेट करना सिखाकर भरा जा सकता है। उन्होंने सिलिकॉन के लिए एक नया मॉडल विकसित किया है, जो एक ऐसी सामग्री है जो इलेक्ट्रॉनिक्स उद्योग की रीढ़ बनाती है, जो परमाणुओं के लगभग किसी भी विन्यास में इलेक्ट्रॉन कैसे व्यवहार करेंगे, इसका पूर्वानुमान लगा सकता है। एक परमाणु के एकल, अपरिवलाशील विवरण पर निर्भर रहने के बजाय, उनका सिस्टम परमाणु के व्यवहार को उसके आस-पास के पड़ोसियों के आधार पर समायोजित करना सीखता है। केवल 77 विभिन्न क्रिस्टल संरचनाओं के अपेक्षाकृत छोटे संदर्भ डेटा सेट पर इस सिस्टम को प्रशिक्षित करके, उन्होंने एक ऐसा उपकरण बनाया है जो सैकड़ों अनदेखी संरचनाओं, जिनमें बड़े खाली स्थान या अजीब धात्विक रूप शामिल हैं, में इलेक्ट्रॉन के ऊर्जा स्तरों की सटीक भविष्यवाणी कर सकता है। परिणाम स्वरूप, एक तेज़, लचीला तरीका प्राप्त हुआ जो पुराने दृष्टिकोण की गति को बनाए रखता है लेकिन एक वाले की अनुकूलन क्षमता भी प्राप्त करता है, जिससे उन सामग्रियों के अनुकरण का द्वार खुल जाता है जिनका मॉडल बनाना पहले बहुत कठिन था।

चुनौती इस तथ्य में निहित है कि एक परमाणु अलगाव में अस्तित्व में नहीं रहता है। एक पूर्ण क्रिस्टल में, प्रत्येक सिलिकॉन परमाणु एक समान, सममित स्थान पर स्थित होता है, इसलिए एक एकल, निश्चित विवरण ठीक काम करता है। लेकिन वास्तविक सामग्रियों में, परमाणु अक्सर दबे हुए, खींचे हुए या पिंजरों में रखे हुए होते हैं। इन स्थितियों में, एक परमाणु के चारों ओर इलेक्ट्रॉन क्लाउड (electron cloud) शिफ्ट होता है और अपना आकार बदल लेता है। पुराने, तेज़ तरीके ने माना था कि परमाणु का प्रभाव एक चिकना, गोल गोला है जो कभी नहीं बदलता, चाहे वह परमाणु एक तंग धातु में हो या एक ढीले पिंजरे में। इस धारणा के कारण, जब भी सामग्री अपने आदर्श, पाठ्यपुस्तक आकार से विचलित हुई, तो यह विधि विफल हो गई। शोधकर्ता ने परमाणु को एक "मस्तिष्क" देकर इसे ठीक करने का प्रयास किया जो अपने परिवेश को महसूस कर सके और उसके अनुसार अपने प्रभाव को समायोजित कर सके।

उन्होंने इस सेंसर के रूप में कार्य करने के लिए एक न्यूरल नेटवर्क बनाया, जो एक प्रकार का कंप्यूटर प्रोग्राम है जो जैविक मस्तिष्क के सीखने के तरीके से प्रेरित है। यह प्रोग्राम आस-पास के परमाणुओं की स्थिति को इनपुट के रूप में लेता है और गणना करता है कि केंद्रीय परमाणु को कैसे व्यवहार करना चाहिए। यह केवल अनुमान नहीं लगाता; यह 77 विशिष्ट सिलिकॉन संरचनाओं पर किए गए सटीक, उच्च-गति गणनाओं के एक पुस्तकालय से सीखता है। इन प्रशिक्षण उदाहरणों में मानक डायमंड आकार से लेकर खुले, पिंजरे जैसे ढांचे और घने धात्विक चरण शामिल थे। प्रशिक्षित होने के बाद, मॉडल सिलिकॉन परमाणुओं के किसी भी नए विन्यास के लिए इलेक्ट्रॉन व्यवहार की भविष्यवाणी कर सकता है। यह एक "फॉर्म फैक्टर" (form factor) की भविष्यवाणी करके करता है, जो इलेक्ट्रॉन को बिखेरने के तरीके का एक गणितीय विवरण है, जो इस बात पर निर्भर करता है कि परमाणु एक बड़े शून्य में कुछ पड़ोसियों से घिरा है या एक घने क्लस्टर में कई पड़ोसियों से।

परिणाम आश्चर्यजनक थे। जब शोधकर्ता ने मॉडल का परीक्षण प्रशिक्षण के दौरान देखे गए 231 विकृत संस्करणों पर किया, तो इसने लगभग पूर्ण सटीकता के साथ प्रदर्शन किया, जो विस्तृत संदर्भ गणनाओं से लगभग पूरी तरह मेल खाता था। इससे भी महत्वपूर्ण बात यह है कि जब उन्होंने इसे 192 पूरी तरह से नई संरचनाओं पर परखा जिनसे वे पहले कभी नहीं मिले थे, तब भी मॉडल उल्लेखनीय रूप से बना रहा। अधिकांश अनदेखे मामलों के लिए, इलेक्ट्रॉन ऊर्जा स्तरों की भविष्यवाणी करने में त्रुटियां बहुत कम थीं, जो अक्सर एक एकल परमाणु के कंपन की चौड़ाई से भी कम थीं। मॉडल ने इलेक्ट्रॉन ऊर्जा बैंड के जटिल आकारों को सफलतापूर्वक पुनरुत्पादित किया, जो यह निर्धारित करते हैं कि कोई सामग्री चालक (conductor), अर्धचालक (semiconductor), या कुचालक (insulator) के रूप में कार्य करती है। सबसे कठिन मामलों के लिए भी—खुले ढांचे जिनमें बड़े खाली स्थान हैं जहाँ मॉडल को सबसे अधिक कठिनाई हुई—त्रुटियां वैज्ञानिक खोज के लिए उपयोगी रहने लायक छोटी बनी रहीं।

अध्ययन ने यह भी खुलासा किया कि मॉडल ने विभिन्न प्रकार के वातावरणों के बीच अंतर करना कैसे सीखा। इसे स्पष्ट रूप से यह बताने की आवश्यकता नहीं थी कि एक परमाणु धातु में है या पिंजरे में। इसके बजाय, सिस्टम ने अपने आस-पास के परमाणुओं के स्थानीय घनत्व को देखना सीखा। इसने "खुलेपन" बनाम "सघनता" की एक आंतरिक समझ विकसित की, और भीड़भाड़ वाले पड़ोस के आधार पर अपनी भविष्यवाणी रणनीति को स्वचालित रूप से बदल लिया। उदाहरण के लिए, इसने सीखा कि ढीले, खुले पिंजरों में परमाणुओं को घने, धात्विक समूहों की तुलना में अलग समायोजन की आवश्यकता होती है। बिना मानवीय हस्तक्षेप के अनुकूल होने की यह क्षमता बताती है कि मॉडल ने दबाव या असामान्य आकारों में सिलिकॉन के व्यवहार के मौलिक भौतिक विज्ञान को पकड़ लिया है।

केवल ऊर्जा स्तरों की भविष्यवाणी करने के अलावा, मॉडल ने अन्य महत्वपूर्ण भौतिक गुणों की गणना करने की क्षमता भी सिद्ध की जिनमें इंजीनियरों की रुचि होती है। इसने सटीक रूप से भविष्यवाणी की कि दबाव के तहत सामग्री की बिजली संचालित करने की क्षमता कैसे बदलेगी, कैसे यह खिंचने या दबने पर प्रतिक्रिया करेगी, और क्रिस्टल के माध्यम से चलते समय इलेक्ट्रॉन कितने भारी महसूस करेंगे। ये वे गुण हैं जिन्हें मॉडल को स्पष्ट रूप से गणना करने के लिए नहीं सिखाया गया था; इसने उन्हें केवल मूल ऊर्जा मानचित्र को सही प्राप्त करके सीखा। यह सुझाव देता है कि मॉडल ने केवल उत्तरों की सूची को याद करने के बजाय, सामग्री की गहरी, भौतिक समझ विकसित कर ली है।

शोधकर्ता ने पाया कि मॉडल की सफलता कुछ प्रमुख घटकों के मिलकर काम करने पर निर्भर थी। इसे परमाणु के एक आधार विवरण की आवश्यकता थी, लेकिन इससे भी महत्वपूर्ण बात यह थी कि इसे स्थानीय वातावरण के आधार पर सुधार जोड़ने के एक तरीके की आवश्यकता थी। इसके लिए इलेक्ट्रॉन तरंगों के विभिन्न प्रकारों के बीच अंतर करने के लिए एक विशिष्ट तंत्र की भी आवश्यकता थी, एक ऐसी विशेषता जिसने इसे ऊर्जा अंतराल (energy gaps) की सटीक भविष्यवाणी करने में सक्षम बनाया जो सिलिकॉन को इलेक्ट्रॉनिक्स के लिए उपयोगी बनाता है। इन विशिष्ट परिवर्धनों के बिना, मॉडल पुराने, अपरिवर्तनीय व्यवहार पर वापस आ जाता और खुले संरचनाओं के गुणों की भविष्यवाणी करने में विफल रहता। अध्ययन बताता है कि प्रशिक्षण डेटा के एक छोटे, विविध सेट को एक स्मार्ट, अनुकूल नेटवर्क के साथ जोड़कर, एक ऐसा उपकरण बनाया जा सकता है जो तेज़ और सार्वभौमिक रूप से लागू होने योग्य हो।

यह कार्य इस दावे के साथ नहीं आता कि इसने पदार्थ विज्ञान की हर समस्या को हल कर दिया है। मॉडल अभी भी सबसे चरम, खुले ढांचों के साथ थोड़ा संघर्ष करता है, जहाँ खाली स्थान प्रशिक्षण डेटा में देखे गए किसी भी चीज़ से बड़े हैं। इन दुर्लभ मामलों में, मॉडल ऊर्जा अंतराल का कम या अधिक अनुमान लगाता है, जो एक छोटे लेकिन ध्यान देने योग्य अंतर के साथ होता है। हालाँकि, शोधकर्ता का सुझाव है कि यह सीमा विधि में दोष नहीं है, बल्कि इस बात का संकेत है कि प्रशिक्षण डेटा में और भी अधिक चरम उदाहरणों को शामिल करने की आवश्यकता है। मुख्य उपलब्धि यह प्रदर्शन करना है कि एक तेज़, अनुभवजन्य (empirical) विधि को व्यापक रूप से भिन्न बंधन वातावरणों में हस्तांतरणीय बनाया जा सकता है। उदाहरणों के एक छोटे सेट से सीखकर, मॉडल प्रकृति और इंजीनियरों द्वारा बनाए जाने वाले ढांचों की अनंत विविधता के लिए सामान्यीकरण कर सकता है, जो भविष्य की सामग्रियों की खोज के लिए एक शक्तिशाली नया तरीका प्रदान करता है।