Indirect prediction and screening of frustrated magnetic materials using machine learning
यह शोध पत्र क्यूरी-वीस (Curie-Weiss) और नील (Neel) तापमानों का स्वतंत्र रूप से अनुमान लगाकर चुंबकीय कुंठा सूचकांक (magnetic frustration index) की अप्रत्यक्ष रूप से भविष्यवाणी करने के लिए कैटबूस्ट (CatBoost) का उपयोग करते हुए एक मशीन लर्निंग वर्कफ़्लो प्रस्तुत करता है, जिसने नवीन ऑक्साइड प्रणालियों सहित 20 उच्च-विश्वास वाले कुंठित चुंबकीय उम्मीदवारों की पहचान करने के लिए 67,000 से अधिक यौगिकों की सफलतापूर्वक स्क्रीनिंग की 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
पदार्थ विज्ञान की दुनिया में, कुछ चुंबक इस तरह व्यवहार करते हैं जो एक गतिरोध जैसा महसूस होता है। कल्पना कीजिए कि लोगों का एक समूह किसी एक दिशा में मुख करने पर सहमत होने की कोशिश कर रहा है, लेकिन कमरे के नियम उन्हें एक ही समय में विपरीत दिशाओं में खींचने के लिए मजबूर करते हैं। भौतिकी में, इसे 'मैग्नेटिक फ्रस्ट्रेशन' (चुंबकीय हताशा) कहा जाता है। यह तब होता है जब किसी क्रिस्टल की ज्यामिति या विभिन्न चुंबकीय बलों के बीच का संघर्ष सामग्री के सूक्ष्म परमाणु चुंबकों को एक सरल, व्यवस्थित पैटर्न में स्थिर होने से रोकता है। एक सीधी पंक्ति में व्यवस्थित होने के बजाय, वे निरंतर, अराजक तनाव की स्थिति में रहते हैं। यह अवस्था केवल एक जिज्ञासा नहीं है; यह विलक्षण क्वांटम व्यवहारों का एक प्रवेश द्वार है और भविष्य की तकनीकों के लिए अत्यधिक कुशल शीतलन प्रणालियों (कूलिंग सिस्टम) के निर्माण की कुंजी हो सकती है। हालाँकि, इन सामग्रियों को खोजना बेहद कठिन है। यह जानने के लिए कि कोई पदार्थ वास्तव में 'फ्रस्ट्रेटेड' है या नहीं, वैज्ञानिकों को दो विशिष्ट तापमानों को मापना होता है: एक जो उन्हें बताता है कि समग्र रूप से चुंबकीय बल कितने मजबूत हैं, और दूसरा जो उन्हें बताता है कि सामग्री अंततः कब हार मानकर व्यवस्थित होती है। समस्या यह है कि अधिकांश ज्ञात सामग्रियों के लिए, वैज्ञानिकों के पास या तो इनमें से केवल एक संख्या होती है, या कभी-कभी दोनों ही नहीं होती, जिससे हजारों उम्मीदवारों के समुद्र में फ्रस्ट्रेटेड सामग्रियों को पहचानना लगभग असंभव हो जाता है।
शोधकर्ताओं की एक टीम ने अब मशीन लर्निंग, जो डेटा में पैटर्न खोजने वाला आर्टिफिशियल इंटेलिजेंस का एक रूप है, का उपयोग करके इस समस्या को हल करने का एक नया तरीका विकसित किया है। फ्रस्ट्रेशन की जटिल स्थिति का सीधे अनुमान लगाने के बजाय, जो कठिन है क्योंकि डेटा अक्सर अधूरा होता है, उन्होंने दो अलग-अलग भविष्यवाणी उपकरण बनाए। एक उपकरण यह अनुमान लगाने के लिए सीखता है कि केवल सामग्री की रासायनिक संरचना के आधार पर चुंबकीय अंतःक्रियाओं की समग्र शक्ति क्या होगी, जबकि दूसरा यह अनुमान लगाने के लिए सीखता है कि वह तापमान क्या होगा जिस पर सामग्री व्यवस्थित होती है। इन दो उपकरणों को स्वतंत्र रूप से चलाकर, शोधकर्ता किसी भी सामग्री के लिए "फ्रस्ट्रेशन स्कोर" की गणना कर सकते हैं, भले ही उसे प्रयोगशाला में कभी मापा न गया हो। उन्होंने इस दृष्टिकोण का परीक्षण लगभग 67,000 रासायनिक यौगिकों वाली एक विशाल डिजिटल लाइब्रेरी पर किया। सिस्टम ने केवल अनुमानों की सूची नहीं दी; इसने यह भी गणना की कि वह प्रत्येक भविष्यवाणी के प्रति कितना आश्वस्त था। उन अनुमानों को फ़िल्टर करके जहाँ कंप्यूटर अनिश्चित था, टीम ने इस विशाल सूची को केवल बीस उच्च-विश्वास वाले उम्मीदवारों तक सीमित कर दिया।
इस स्क्रीनिंग के परिणाम इस पद्धति की पुष्टि और नए क्षेत्र की खोज दोनों थे। बीस शीर्ष उम्मीदवारों में से, सिस्टम ने सफलतापूर्वक कई ऐसी सामग्रियों की पहचान की जिन्हें वैज्ञानिक पहले से ही फ्रस्ट्रेटेड के रूप में जानते हैं, जैसे कि क्रोमियम और सल्फर युक्त बेरियम यौगिक, और दो स्ट्रोंटियम-आधारित ऑक्साइड। इसने पुष्टि की कि मशीन लर्निंग वर्कफ़्लो सही ढंग से काम कर रहा था, जो बिना यह बताए कि क्या खोजना है, ज्ञात भौतिकी को प्रभावी ढंग से "पुनः खोज" रहा था। लेकिन वास्तविक मूल्य उन सामग्रियों में निहित है जिन्हें सिस्टम ने पहले से अज्ञात या अनछुए रूप में पाया है। शीर्ष उम्मीदवार मुख्य रूप से ऑक्साइड यौगिक थे, विशेष रूप से वे जो स्ट्रोंटियम, कैल्शियम, टाइटेनियम और मैंगनीज से बने थे। ये सामग्रियां पेरोव्स्काइट्स (perovskites) नामक क्रिस्टल संरचनाएं बनाती हैं, जो भौतिकी में जटिल चुंबकीय व्यवहार प्रदर्शित करने के लिए प्रसिद्ध हैं। शोधकर्ताओं ने क्रोमियम, कॉपर और सेलेनियम से बने कुछ उम्मीदवारों को भी पाया, जो यह सुझाव देता है कि फ्रस्ट्रेशन की खोज केवल एक प्रकार के रासायनिक परिवार तक ही सीमित नहीं है।
महत्वपूर्ण रूप से, शोधकर्ता एक कंप्यूटर भविष्यवाणी और प्रयोगशाला तथ्य के बीच अंतर करने में सावधान रहे। उन्होंने यह दावा नहीं किया कि उन्होंने नए चुंबक खोज लिए हैं, बल्कि यह बताया है कि देखने के लिए सबसे आशाजनक स्थान कौन से हैं। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि केवल फ्रस्ट्रेशन स्कोर का सीधा अनुमान लगाना काम करेगा; डेटा ने दिखाया कि दो अंतर्निहित तापमानों का अलग-अलग अनुमान लगाना और फिर उन्हें जोड़ना कहीं अधिक सटीक था। इसके अलावा, टीम ने प्रदर्शित किया कि कंप्यूटर की अनिश्चितता को अनदेखा करने से गलत सूचनाओं (फॉल्स अलार्म) की एक लंबी सूची मिल सकती थी। एक "रूढ़िवादी" रैंकिंग प्रणाली का उपयोग करके जो अनिश्चित भविष्यवाणियों को दंडित करती है, उन्होंने यह सुनिश्चित किया कि अंतिम बीस उम्मीदवारों की सूची सुदृढ़ हो। अध्ययन सुझाव देता है कि आगे बढ़ने का सबसे फलप्रद मार्ग इन विशिष्ट ऑक्साइड परिवारों पर ध्यान केंद्रित करना है, विशेष रूप से स्ट्रोंटियम-कैल्शियम-टाइटेनियम-मैंगनीज सिस्टम, जिन्हें मॉडल ने उन मायावी, प्रतिस्पर्धी चुंबकीय बलों को प्रदर्शित करने की उच्चतम संभावना के रूप में पहचाना है जो फ्रस्ट्रेशन को परिभाषित करते हैं।
यह कार्य इस बात में बदलाव का प्रतिनिधित्व करता है कि वैज्ञानिक नई सामग्रियों की खोज कैसे करते हैं। किसी क्रिस्टल की संरचना के विस्तृत ज्ञान की आवश्यकता वाले धीमे, परीक्षण-और-त्रुटि (ट्रायल-एंड-एरर) संश्लेषण या महंगे कंप्यूटर सिमुलेशन पर निर्भर रहने के बजाय, यह विधि केवल रासायनिक संरचना का उपयोग करके अपनी भविष्यवाणियां करती है। इसका अर्थ है कि यह उन सामग्रियों की स्क्रीनिंग कर सकती है जिन्हें अभी तक संश्लेषित नहीं किया गया है या जिनकी संरचना पूरी तरह से ज्ञात नहीं है। शोधकर्ताओं ने पाया कि चुंबकीय व्यवहार की भविष्यवाणी करने के लिए सबसे महत्वपूर्ण कारक मिश्रण में व्यक्तिगत परमाणुओं के चुंबकीय गुण थे, उसके बाद उनके इलेक्ट्रॉन व्यवस्था और उनके पैक होने के तरीके के बारे में विवरण थे। समस्या को छोटे, अधिक प्रबंधनीय भागों में तोड़कर और मशीन को मौजूदा प्रयोगात्मक डेटा से नियम सीखने देकर, टीम ने एक त्वरित खोज के लिए एक व्यावहारिक उपकरण बनाया। उनके द्वारा हाइलाइट किए गए बीस यौगिक अब उन प्रयोगवादियों के लिए प्राथमिक लक्ष्य हैं जो इन भविष्यवाणियों को सत्यापित करना चाहते हैं और संभावित रूप से अगली पीढ़ी की क्वांटम सामग्रियों और शीतलन प्रौद्योगिकियों को अनलॉक करना चाहते हैं।
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।