High-throughput screening of Heusler alloys for thermoelectrics combining machine-learned densities of states and first-principles transport
यह अध्ययन ह्यूस्लर थर्मोइलेक्ट्रिक्स के लिए एक उच्च-थ्रूपुट स्क्रीनिंग वर्कफ़्लो को मान्य करता है जो कुशलतापूर्वक 61 अपरिपोर्ट सामग्री सहित 80 आशाजनक कम्प्यूटेशनल उम्मीदवारों की पहचान करने के लिए मशीन-लर्नड डेंसिटी ऑफ स्टेट्स को फर्स्ट-प्रिंसिपल्स ट्रांसपोर्ट गणनाओं के साथ जोड़ता है, जबकि यह प्रदर्शित करता है कि यद्यपि न्यूरल नेटवर्क भविष्यवाणियाँ अक्सर बैंड गैप को मिस कर देती हैं, फिर भी वे विस्तृत विश्लेषण के लिए यौगिकों को प्राथमिकता देने के लिए प्रभावी बनी रहती हैं।
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
दुनिया भारी मात्रा में अपशिष्ट ऊष्मा (वेस्ट हीट) उत्पन्न करती है, जो कारों के निकास से लेकर बिजली संयंत्रों की शीतलन प्रणालियों तक हर जगह से निकलती है। यह ऊर्जा बस हवा में विलीन हो जाती है और हमेशा के लिए नष्ट हो जाती है। थर्मोइलेक्ट्रिक सामग्रियां उस खोई हुई ऊष्मा को पकड़ने और उसे सीधे बिजली में बदलने का एक तरीका प्रदान करती हैं, जो एक शांत जनरेटर की तरह कार्य करती हैं जिसमें कोई भी गतिशील भाग नहीं होता। इन सामग्रियों की दक्षता एक नाजुक संतुलन पर निर्भर करती है: उन्हें बिजली का संचालन अच्छी तरह से करना चाहिए जबकि ऊष्मा के प्रवाह को रोकना चाहिए। इन सामग्रियों को खोजने के लिए जो इस संतुलन को बनाए रखते हैं, एक भूसे के ढेर में सुई खोजने जैसा है, क्योंकि उनके प्रदर्शन की भविष्यवाणी करने के लिए उपयोग किए जाने वाले मानक कंप्यूटर सिमुलेशन अविश्वसनीय रूप से धीमे और महंगे होते हैं। वैज्ञानिकों को अक्सर यह चुनना पड़ता है कि वे किन लाखों संभावित रासायनिक संयोजनों का परीक्षण करें, लेकिन परिणाम की भविष्यवाणी करने के लिए एक विश्वसनीय तरीके के बिना, वे सबसे अच्छे उम्मीदवारों को खोने या बेकार के प्रयासों में समय बर्बाद करने का जोखिम उठाते हैं।
शोधकर्ताओं की एक टीम ने ज्ञात रासायनिक संरचनाओं के एक विशाल संग्रह, जिसे 'हिसलर अलॉय' (Heusler alloys) कहा जाता है, पर एक नई रणनीति का परीक्षण करके इस समस्या को हल करने का प्रयास किया। ये तीन अलग-अलग तत्वों से बने यौगिकों का एक विशिष्ट परिवार हैं, जो ऊर्जा अनुप्रयोगों के लिए अपनी क्षमता के लिए जाने जाते हैं। शोधकर्ता यह देखना चाहते थे कि क्या वे एक शॉर्टकट का उपयोग कर सकते हैं: एक मशीन-लर्निंग मॉडल जो किसी सामग्री के इलेक्ट्रॉनिक "फिंगरप्रिंट" (जिसे 'डेंसिटी ऑफ स्टेट्स' कहा जाता है) की भविष्यवाणी करता है, ताकि यह तय किया जा सके कि कौन सी सामग्रियां पूर्ण, महंगे कंप्यूटर सिमुलेशन के योग्य हैं। उन्होंने इस दृष्टिकोण का परीक्षण एक लाख से अधिक विभिन्न हिसलर संरचनाओं पर किया। लक्ष्य यह देखना था कि क्या मशीन लर्निंग भविष्यवाणियां मार्गदर्शन करने के लिए पर्याप्त अच्छी थीं, और क्या उनके द्वारा उपयोग किए गए शॉर्टकट संकेतक वास्तव में उन सामग्रियों को खोज सकते थे जो थर्मोइलेक्ट्रिक के रूप में काम करेंगी।
शोधकर्ताओं ने अपने विशाल डेटाबेस को दो समूहों में विभाजित करके शुरुआत की। पहले समूह में वे संरचनाएं शामिल थीं जिनका इलेक्ट्रॉनिक फिंगरप्रिंट पहले से ही उच्च-गुणवत्ता वाली गणनाओं से ज्ञात था। दूसरे समूह में वे संरचनाएं थीं जिनमें यह फिंगरप्रिंट गायब था। दूसरे समूह के लिए, उन्होंने परमाणुओं की व्यवस्था के आधार पर लापता फिंगरप्रिंट की भविष्यवाणी करने के लिए एक परिष्कृत कंप्यूटर प्रोग्राम को प्रशिक्षित किया। इसके बाद उन्होंने दोनों समूहों पर एक स्क्रीनिंग प्रक्रिया लागू की। इस प्रक्रिया ने इलेक्ट्रॉनिक फिंगप्रिंट में उन विशिष्ट संकेतों की तलाश की जो आमतौर पर संकेत देते हैं कि कोई सामग्री एक अच्छी थर्मोइलेक्ट्रिक हो सकती है। एक संकेत इलेक्ट्रॉन ऊर्जा स्तरों में अंतराल (गैप) की जांच करना था, जो एक अर्धचालक (सेमीकंडक्टर) के रूप में कार्य करने के लिए आवश्यक है। दूसरा, अधिक परिष्कृत संकेत ने यह मापा कि इलेक्ट्रॉन ऊष्मा के प्रति कैसे प्रतिक्रिया करेंगे, जिसे 'सीबेक प्रभाव' (Seebeck effect) कहा जाता है, जो बिजली के उत्पादन को संचालित करता है।
परिणामों ने शॉर्टकट के बारे में एक आश्चर्यजनक सच्चाई का खुलासा किया। ऊर्जा अंतराल (गैप) के लिए सरल जांच, जिस पर कई शोधकर्ता भरोसा करते हैं, अपना काम करने में विफल रही। यहाँ तक कि उच्च-गुणवत्ता वाले ज्ञात डेटा को देखते हुए भी, इस सरल जांच ने कई धातुओं को गलत तरीके से अर्धचालक के रूप में लेबल किया। यह आसानी से उन छोटे उतार-चढ़ाव से धोखा खा गई जो अंतराल की तरह दिखते थे लेकिन वास्तव में नहीं थे। मशीन लर्निंग मॉडल भी इस विशिष्ट कार्य में संघर्ष कर रहा था; हालांकि वह सामान्य आकार की सटीक रूप से नकल कर सकता था, लेकिन वह अक्सर सूक्ष्म अंतरालों को मिटा देता था, जिससे वे गायब हो जाते थे। इसका मतलब था कि सरल "अंतराल है या नहीं" वाला प्रश्न विश्वसनीय नहीं हो सकता था, भले ही उसका उत्तर मशीन लर्निंग मॉडल द्वारा दिया गया हो।
हालांकि, अधिक परिष्कृत संकेतक, जिसने ऊष्मा से वोल्टेज उत्पन्न करने की क्षमता को मापा, उल्लेखनीय रूप से अच्छा काम कर गया। इस संकेतक ने केवल एक बिंदु के बजाय इलेक्ट्रॉनिक फिंगप्रिंट के समग्र आकार को देखा। इसने आशाजनक सामग्रियों की सफलतापूर्वक पहचान की, और सबसे अच्छे उम्मीदवारों को सूची में सबसे ऊपर रखा। जब शोधकर्ताओं ने शीर्ष-रैंक वाली सामग्रियों पर पूर्ण, महंगे सिमुलेशन चलाए, तो उन्होंने पाया कि इस संकेतक ने वास्तव में विजेताओं को केंद्रित किया था। उन सामग्रियों के समूह में जहाँ फिंगप्रिंट की भविष्यवाणी मशीन लर्निंग मॉडल द्वारा की गई थी, लगभग सभी सामग्रियां जो अंतिम परीक्षणों में पास हुईं, सूची के शीर्ष बीस प्रतिशत के भीतर पाई गईं। यह सुझाव देता है कि भले ही मशीन लर्निंग मॉडल ने अंतराल के अस्तित्व के बारे में गलतियाँ की हों, लेकिन इसकी समग्र भविष्यवाणी खोज को प्रभावी ढंग से निर्देशित करने के लिए पर्याप्त थी।
अध्ययन ने अंततः थर्मोइलेक्ट्रिक अनुप्रयोगों के लिए मजबूत उम्मीदवार के रूप में अस्सी अलग-अलग रासायनिक संरचनाओं की पहचान की। हालांकि, यह ध्यान रखना महत्वपूर्ण है कि अस्सी में से इकसठ संरचनाओं के लिए हिसलर चरण के कोई रिपोर्ट किए गए थर्मोइलेक्ट्रिक माप उपलब्ध नहीं हैं; इनके लिए क्षमता पूरी तरह से कम्प्यूटेशनल भविष्यवाणियों पर आधारित है। शोधकर्ताओं ने पाया कि इस परिवार की ग्यारह सबसे प्रसिद्ध थर्मोइलेक्ट्रिक सामग्रियों में से दस को उनके तरीके द्वारा सही ढंग से पहचाना गया था, जो यह सिद्ध करता है कि यह दृष्टिकोण ज्ञात रसायन विज्ञान के लिए काम करता है। उन्होंने यह भी खोजा कि बहुत भारी तत्वों वाले पदार्थों के लिए, 'स्पिन-ऑर्बिट कपलिंग' नामक एक सूक्ष्म भौतिक प्रभाव परिणामों को काफी बदल देता है, जो अक्सर उनके प्रदर्शन को कम कर देता है। गलत सकारात्मक परिणामों (फॉल्स पॉजिटिव) से बचने के लिए अंतिम गणनाओं में इस प्रभाव को ध्यान में रखना आवश्यक था। इसके अलावा, अध्ययन ने दिखाया कि क्रिस्टल संरचना के आकार को थोड़ा बदलने से, जैसे कि एक घन से आयत बनाना, शायद ही कभी किसी धातु को अर्धचालक में बदलता है, जिसका अर्थ है कि मूल रासायनिक संरचना ही सबसे महत्वपूर्ण कारक है।
शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि मशीन लर्निंग अभी तक सूक्ष्म ऊर्जा अंतरालों की उपस्थिति की सटीक भविष्यवाणी नहीं कर सकता है, फिर भी यह विशाल डेटाबेस को छाँटने के लिए एक शक्तिशाली उपकरण है। कुंजी सही प्रकार के संकेतक का उपयोग करना है। अंतराल के लिए एक साधारण 'हाँ या ना' की जांच अविश्वसनीय है, लेकिन ऊष्मा से वोल्टेज उत्पन्न करने की सामग्री की क्षमता का माप मजबूत है। बेहतर संकेतक का उपयोग करके, वैज्ञानिक नई सामग्रियों को खोजने के लिए आवश्यक महंगे सिमुलेशन की संख्या को काफी कम कर सकते हैं। इस अध्ययन में पहचाने गए अस्सी उम्मीदवार अब अनुसंधान के अगले चरण के लिए तैयार हैं, जहाँ वैज्ञानिकों को उनकी प्रतिस्पर्धी क्रिस्टल संरचनाओं के विरुद्ध स्थिरता को सत्यापित करने और प्रयोगशाला में उनके वास्तविक प्रदर्शन को मापने की आवश्यकता होगी। यह कार्य इस बात का स्पष्ट रोडमैप प्रदान करता है कि कैसे कृत्रिम बुद्धिमत्ता का उपयोग उन सामग्रियों की खोज को तेज करने के लिए किया जा सकता है जो एक दिन हमें अपशिष्ट ऊष्मा को अधिक कुशलता से संचित करने में मदद कर सकती 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।