GBClaw: An agentic AI framework for atomistic grain boundary research and mechanistic discovery

धातुएं शायद ही कभी पूर्ण क्रिस्टल होती हैं; इसके बजाय, वे छोटे, आपस में जुड़े हुए क्रिस्टल के विशाल संग्रह होते हैं जिन्हें 'ग्रेन्स' (grains) कहा जाता है। जहाँ ये ग्रेन्स मिलते हैं, वहाँ वे 'ग्रेन बाउंड्रीज़' (grain boundaries) या दाने की सीमाएं बनाते हैं। ये इंटरफेस केवल मानचित्र पर खींची गई रेखाएं नहीं हैं; ये वे स्थान हैं जहाँ धातु की परमाणु संरचना बदल जाती है, और वे मौलिक रूप से यह नियंत्रित करते हैं कि सामग्री कैसे व्यवहार करेगी। वे निर्धारित करते हैं कि कोई धातु मजबूत होगी या कमजोर, वह कितनी आसानी से खिंच सकती है, और क्या वह दबाव में टूट जाएगी। हालांकि वैज्ञानिक लंबे समय से उन सीमाओं का अध्ययन कर रहे हैं जो पूरी तरह से फिट बैठती हैं, लेकिन वास्तविक दुनिया के अधिकांश धातु इंटरफेस अव्यवस्थित और अनियमित होते हैं। इन जटिल सीमाओं को मॉडल करना कठिन है क्योंकि उनकी परमाणु संरचना सरल पैटर्न में दोहराई नहीं जाती है, जिससे यह भविष्यवाणी करना मुश्किल हो जाता है कि बल लगाने पर वे कैसे फिसलेंगे या टूटेंगे। इन अनियमित इंटरफेसों को समझना अधिक मजबूत, अधिक टिकाऊ सामग्री डिजाइन करने के लिए महत्वपूर्ण है, लेकिन समस्या की अत्यधिक जटिलता ने प्रगति को धीमा कर दिया है।

इस चुनौती से निपटने के लिए, शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो कृत्रिम बुद्धिमत्ता (AI) की तर्क शक्ति को परमाणु-स्तर के सिमुलेशन की सटीकता के साथ जोड़ता है। उन्होंने 'GBClaw' नामक एक प्रणाली बनाई, जो एक डिजिटल अनुसंधान सहायक के रूप में कार्य करती है जो निरंतर मानवीय हस्तक्षेप के बिना जटिल प्रयोगों की योजना बनाने, उन्हें निष्पादित करने और उनका विश्लेषण करने में सक्षम है। पारंपरिक सॉफ्टवेयर के विपरीत जो निर्देशों के एक कठोर सेट का पालन करता है, यह प्रणाली बड़े भाषा मॉडल (large language models) का उपयोग अनुसंधान लक्ष्यों को समझने, उन्हें विशिष्ट कार्यों में विभाजित करने और नई जानकारी प्राप्त करने के साथ अपनी रणनीति को समायोजित करने के लिए करती है। शोधकर्ताओं ने इस प्रणाली का परीक्षण निकल (nickel) में चौदह अलग-अलग प्रकार के अनियमित ग्रेन बाउंड्रीज़ पर किया, जो जेट इंजनों से लेकर रसोई के सिंक तक हर चीज़ में इस्तेमाल होने वाली एक सामान्य धातु है। लक्ष्य यह देखना था कि ये अव्यवस्थित इंटरफेस 'शीयर' (shear) होने पर, यानी बगल से धकेले जाने पर, कैसे विकृत होते हैं, और उन छिपे हुए परमाणु तंत्रों का पता लगाना था जो उनकी मजबूती को नियंत्रित करते हैं।

प्रणाली ने निकल में चौदह विशिष्ट, अनियमित ग्रेन बाउंड्रीज़ की पहचान करके शुरुआत की, जिनका विस्तृत अध्ययन नहीं किया गया था। फिर इसने इन सीमाओं के डिजिटल मॉडल बनाए, परमाणुओं को तब तक ढीला किया जब तक वे अपने सबसे स्थिर व्यवस्था में स्थिर नहीं हो गए। इन सिमुलेशन में, शोधकर्ताओं ने पाया कि सीमाएं चिकनी सतहें नहीं थीं, बल्कि वे दोषों (defects) या मिसअलाइनमेंट (misalignments) के एक पदानुक्रम से सजी हुई थीं, जो सूक्ष्म 'डिसलोकेशन' (dislocations) की तरह कार्य करते हैं। इनमें से कुछ दोष घने रूप में थे, जबकि अन्य दूर-दूर थे। AI प्रणाली ने प्रत्येक सीमा को 'शीयर स्ट्रेस' (shear stress) के अधीन किया, यानी ग्रेन्स को एक-दूसरे के ऊपर से धकेला ताकि यह मापा जा सके कि उन्हें फिसलने के लिए कितने बल की आवश्यकता है। परिणामों ने व्यवहार की एक विस्तृत श्रृंखला को प्रकट किया। कुछ सीमाएं आश्चर्यजनक रूप से कमजोर थीं, जो मात्र 14 मेगापास्कल के बल के साथ फिसल गईं, जबकि अन्य अविश्वसनीय रूप से मजबूत थीं, जो 9.3 गीगापास्कल तक के बलों के साथ गति का प्रतिरोध करती थीं। इस व्यापक भिन्नता ने दिखाया कि सीमा की विशिष्ट परमाणु व्यवस्था, न कि केवल उसकी समग्र ऊर्जा, यह निर्धारित करती है कि वह तनाव के प्रति कैसी प्रतिक्रिया देगी।

एक प्रमुख खोज तब सामने आई जब शोधकर्ताओं ने इन सीमाओं के व्यवहार की तुलना व्यापक रूप से फैले दोषों के साथ और उनके बिना की। उन मॉडलों में जहाँ ये बड़े दोष मौजूद थे, सीमाएं बहुत आसानी से फिसल गईं। हालाँकि, जब शोधकर्ताओं ने इन दोषों को हटाकर एक सघन, पूर्ण इंटरफेस बनाया, तो सीमा को फिसलाने के लिए आवश्यक बल नाटकीय रूप रूप से बढ़ गया। एक विशिष्ट सीमा के लिए, इन दोषों की उपस्थिति ने शीयर स्ट्रेंथ (shear strength) को 1,000 मेगापास्कल से घटाकर केवल 530 मेगापास्कल कर दिया। यह निष्कर्ष सामग्री विज्ञान के लिए एक महत्वपूर्ण सबक देता है: सटीक भविष्यवाणी करने के लिए कि एक धातु कैसे व्यवहार करेगी, वैज्ञानिकों को इन दोषों के पदानुक्रमों को ध्यान में रखना चाहिए। उन्हें अनदेखा करने से सामग्री की मजबूती की गलत तस्वीर सामने आती है। प्रणाली ने यह भी देखा कि बल लगाने की दिशा बहुत मायने रखती थी। कई सीमाओं के लिए, एक दिशा में धकेलने से ग्रेन्स सुचारू रूप से फिसल गए, जबकि विपरीत दिशा में धकेलने से सीमा विस्थापित या ऊपर-नीचे होने लगी, जिसे 'शीयर-कपल्ड माइग्रेशन' (shear-coupled migration) कहा जाता है। यह दिशात्मक विषमता (directional asymmetry) यह दर्शाती है कि सामग्री को लोड करने का इतिहास उसके भविष्य के व्यवहार को बदल सकता है।

GBClaw प्रणाली की वास्तविक शक्ति तब प्रदर्शित हुई जब इसका सामना एक अप्रत्याशित परिणाम से हुआ। एक विशिष्ट सीमा के सिमुलेशन के दौरान, प्रणाली ने फिसलने के प्रति असामान्य रूप से उच्च प्रारंभिक प्रतिरोध देखा, जिसके बाद बल में तेज गिरावट आई। एक मानव शोधकर्ता ने, डेटा की समीक्षा करते हुए, प्रणाली से जांच करने को कहा कि ऐसा क्यों हुआ। AI ने तुरंत अपनी योजना को अनुकूलित किया, और नए सिमुलेशन चलाए जिनमें सामग्री को अनलोड करना और विभिन्न परमाणु अवस्थाओं के बीच ऊर्जा परिदृश्य (energy landscape) की गणना करना शामिल था। इन अनुवर्ती गणनाओं से पता चला कि प्रारंभिक उच्च प्रतिरोध सीमा की कोई स्थायी विशेषता नहीं थी, बल्कि एक अस्थायी स्थिति थी। सेटअप के दौरान सीमा एक 'मेटास्टेबल कॉन्फ़िगरेशन' (metastable configuration) में स्थिर हो गई थी, जो एक स्थानीय ऊर्जा जाल (local energy trap) था जिससे बाहर निकलने के लिए अतिरिक्त बल की आवश्यकता थी। एक बार जब परमाणु पुनर्गठित हो गए, तो सीमा सामान्य रूप से फिसलने लगी। विसंगतियों का पता लगाने, उन पर सवाल उठाने और उन्हें हल करने के लिए लक्षित प्रयोगों को डिजाइन करने की इस क्षमता ने शोधकर्ताओं को स्थानीय परमाणु पुनर्गठन के एक सूक्ष्म तंत्र को उजागर करने में मदद की, जिसे एक मानक, स्वचालित वर्कफ़्लो द्वारा संभवतः छोड़ दिया जाता।

अध्ययन ने यह भी पता लगाया कि एक ही प्रकार की सीमा के विभिन्न संस्करण कैसे व्यवहार करते हैं। एक विशिष्ट सीमा के दो रूपांतरों ने, जो केवल उस कोण में भिन्न थे जिस पर ग्रेन्स मिलते हैं, शीयर के प्रति पूरी तरह से अलग प्रतिक्रिया दिखाई। एक संस्करण शुद्ध रूप से बगल में फिसला, जबकि दूसरे संस्करण ने, एक अलग दिशा में धकेले जाने पर, बगल और लंबवत (vertically) दोनों दिशाओं में गति की। शोधकर्ताओं ने इस अंतर का पता सीमाओं के एक तरफ के परमाणुओं के दूसरी तरफ के परमाणुओं के साथ संरेखण (alignment) के सूक्ष्म विवरणों से लगाया। इन परमाणु रजिस्ट्रीज़ (atomic registries) का मानचित्रण करके, प्रणाली यह समझा सकी कि क्यों दो समान दिखने वाली सीमाओं ने इतने अलग पथ अपनाए। यह कार्य दर्शाता है कि कैसे ऑटोमेटेड हाई-थ्रूपुट स्क्रीनिंग को गहरे, लक्षित यांत्रिक विश्लेषण के साथ जोड़कर डेटा उत्पन्न करने और उसके पीछे के भौतिक विज्ञान को वास्तव में समझने के बीच के अंतर को पाटा जा सकता है।

अंततः, यह शोध प्रदर्शित करता है कि कृत्रिम बुद्धिमत्ता वैज्ञानिक खोज में एक शक्तिशाली भागीदार के रूप में कार्य कर सकती है, न कि केवल संख्याओं की गणना करने के लिए, बल्कि जांच प्रक्रिया का मार्गदर्शन करने के लिए भी। प्रणाली ने ग्रेन बाउंड्रीज़ की मजबूती निर्धारित करने में दोष पदानुक्रमों (defect hierarchies) की महत्वपूर्ण भूमिका की सफलतापूर्वक पहचान की, जो इस धारणा को चुनौती देती है कि सरल मॉडल पर्याप्त हो सकते हैं। इसने यह भी दिखाया कि बल की दिशा और विशिष्ट परमाणु व्यवस्था से सरल स्लाइडिंग से लेकर जटिल माइग्रेशन तक, बहुत अलग विरूपण मोड (deformation modes) उत्पन्न हो सकते हैं। मानव विशेषज्ञता को एजेंटिक AI की गति और अनुकूलन क्षमता के साथ एकीकृत करके, शोधकर्ता वास्तविक दुनिया के सामग्री इंटरफेस की जटिलता को समझने में सफल रहे, जिससे उन छिपे हुए नियमों का पता चला जो धातुओं के विरूपण को नियंत्रित करते हैं। यह दृष्टिकोण अनुकूलित गुणों वाली सामग्री डिजाइन करने के लिए एक आशाजनक मार्ग प्रदान करता है, जिससे यह सुनिश्चित होता है कि भविष्य की धातुएं उतनी ही मजबूत और विश्वसनीय हों जितनी कि वे अनुप्रयोग हैं जिन पर वे निर्भर करती हैं।