Near-field maps of topological edge states of molecular aggregates
यह शोध पत्र प्रदर्शित करता है कि स्थानिक रूप से विभेदित नियर-फील्ड स्पेक्ट्रोस्कोपी (near-field spectroscopy), एक कन्वोल्यूशनल न्यूरल नेटवर्क के संयोजन के साथ, आणविक समुच्चय (molecular aggregates) में टोपोलॉजिकल एज स्टेट्स की जटिल स्थानिक संरचना को मजबूती से पुनर्गठित कर सकता है, जो पारंपरिक फार-फील्ड ऑप्टिकल प्रोब्स की सीमाओं को दूर करता 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 सूक्ष्म दुनिया में, शोधकर्ता अक्सर इस बात के तरीके खोजते हैं कि किसी संरचना के माध्यम से ऊर्जा कैसे चलती है। कल्पना कीजिए कि लोगों की एक भीड़ एक गुप्त संदेश पास कर रही है; कुछ व्यवस्थाओं में, संदेश बीच में ही फंस जाता है, जबकि अन्य में, यह किनारों के साथ सहजता से बहता है। यह व्यवहार टोपोलॉजी (topology) कहलाता है, जो गणित से एक अवधारणा है जो यह वर्णन करती है कि आकार और संबंध कैसे जुड़े रहते हैं, भले ही उन्हें मोड़ा या खींचा गया हो। आणविक भौतिकी के क्षेत्र में, वैज्ञानिकों ने पाया है कि अणुओं की कुछ विशेष व्यवस्थाएं "एज स्टेट्स" (edge states) बना सकती हैं, जहाँ ऊर्जा सामग्री की सीमा के साथ फंस जाती है, जो उस अराजकता और विकार से सुरक्षित रहती है जो केंद्र में इसे बाधित कर सकता है। ये अवस्थाएं भविष्य की तकनीकों के लिए आशाजनक हैं क्योंकि वे अत्यधिक कुशल और सुदृढ़ ऊर्जा परिवहन की अनुमति दे सकती हैं, लेकिन उन्हें देखना अत्यंत कठिन होता है। दूर से सामग्रियों को देखने के पारंपरिक तरीके अक्सर इन एज स्टेट्स को प्रकट करने में विफल रहते हैं क्योंकि संकेत बहुत धुंधले होते हैं, और दूरी ऊर्जा के विशिष्ट स्थान को धुंधला कर देती है।
मैक्स प्लैंक इंस्टीट्यूट फॉर द फिजिक्स ऑफ कॉम्प्लेक्स सिस्टम्स और टेक्निकल यूनिवर्सिटी ऑफ ड्रेसडेन के शोधकर्ताओं की एक टीम ने 'नियर-फील्ड स्पेक्ट्रोस्कोपी' के एक सैद्धांतिक मॉडल का उपयोग करके इन छिपे हुए अवस्थाओं को सीधे देखने का एक तरीका खोजा है। दूर से चमकती रोशनी का अनुकरण करने के बजाय, वे एक सपाट आणविक शीट के ऊपर नैनोमीटर की दूरी पर मंडराते एक छोटे, सुई जैसे प्रोब (probe) का मॉडल तैयार करते हैं। यह प्रोब एक संवेदनशील कान की तरह कार्य करता है, जो सतह को स्कैन करते समय अणुओं की ऊर्जा अवस्थाओं को सुनता है। शोधकर्ताओं ने मेटालोपोरफाइरिन (metalloporphyrins) या मेटालोफ्थालोसाइनिन (metallophthalocyanines) से बनी आणविक शीट के एक विशिष्ट प्रकार पर ध्यान केंद्रित किया, जो ऊर्जा धारण करने में सक्षम वलय के आकार के अणु हैं। अपने सिमुलेशन में एक मजबूत चुंबकीय क्षेत्र लागू करके, उन्होंने इन अणुओं को एक बहुत ही विशिष्ट तरीके से व्यवहार करने के लिए मजबूर किया, जिससे एक जटिल अंतःक्रिया उत्पन्न हुई जो स्वाभाविक रूप से इन संरक्षित एज स्टेट्स के निर्माण की ओर ले जाती है।
जब शोधकर्ताओं ने अपनी आणविक शीट पर अपने प्रोब को स्कैन करने का अनुकरण किया, तो उन्हें उम्मीद थी कि वे एक सरल मानचित्र देखेंगे जो यह दर्शाता है कि ऊर्जा कहाँ पाए जाने की सबसे अधिक संभावना है। हालाँकि, परिणाम बहुत अधिक जटिल थे। उनके द्वारा बनाए गए मानचित्र एक सीधी तस्वीर की तरह नहीं दिखते थे कि ऊर्जा का स्थान कहाँ है। इसके बजाय, संकेतों ने अजीब, हस्तक्षेप जैसी पैटर्न (interference-like patterns) दिखाई, जिसमें चमकीले धब्बे और गहरे धब्बे थे जो ऊर्जा के वास्तविक वितरण के विपरीत प्रतीत होते थे। कुछ मामलों में, सिग्नल किनारे के एक तरफ मजबूत था लेकिन दूसरी तरफ कमजोर था, भले ही ऊर्जा वास्तव में पूरी सीमा के साथ फैली हुई थी। ऐसा इसलिए हुआ क्योंकि इन अणुओं में ऊर्जा को जटिल संख्याओं द्वारा वर्णित किया जाता है जिनमें आकार और चरण (phase) दोनों शामिल होते हैं, बिल्कुल एक तरंग की तरह जो ऊँची या नीची हो सकती है। जब प्रोब इन तरंगों के साथ परस्पर क्रिया करता है, तो चरण आपस में मिल जाते हैं, जिससे एक ऐसा पैटर्न बनता है जो ऊर्जा के वास्तविक स्थान को छिपा देता है।
इस पहेली को सुलझाने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस के क्षेत्र से एक शक्तिशाली उपकरण, 'कन्वोल्यूशनल न्यूरल नेटवर्क' (convolutional neural network) की ओर रुख किया। यह कंप्यूटर प्रोग्राम का एक प्रकार है जिसे छवियों में पैटर्न पहचानने के लिए डिज़ाइन किया गया है, ठीक वैसे ही जैसे मानव मस्तिष्क चेहरों को पहचानने के लिए सीखता है। टीम ने इस कंप्यूटर प्रोग्राम को हजारों सिम्युलेटेड मानचित्रों का उपयोग करके प्रशिक्षित किया, जिससे इसे भ्रमित करने वाले हस्तक्षेप पैटर्न से परे देखने और ऊर्जा अवस्थाओं की अंतर्निर्हित संरचना का अनुमान लगाने की शिक्षा मिली। उन्होंने कार्यक्रम का परीक्षण उन मानचित्रों को फीड करके किया जिनमें रैंडम शोर (noise) शामिल था, जो वास्तविक दुनिया के प्रयोगों में पाई जाने वाली खामियों और त्रुटियों की नकल करता है। उल्लेखनीय रूप से, कंप्यूटर ने उच्च सटीकता के साथ ऊर्जा अवस्थाओं के पूर्ण, जटिल विवरण को पुनर्गठित किया, भले ही इनपुट डेटा अव्यवस्थित और अधूरा था। इसने सफलतापूर्वक उन विशिष्ट गुणांकों (coefficients) की पहचान की जो यह परिभाषित करते हैं कि ऊर्जा अणुओं के बीच कैसे वितरित होती है, प्रभावी रूप से उस भ्रमित करने वाली प्रक्रिया को उलट दिया जो प्रोब ने बनाई थी।
यह अध्ययन प्रदर्शित करता है कि हालांकि नियर-फील्ड स्पेक्ट्रोस्कोसी से प्राप्त कच्चा डेटा भ्रामक हो सकता है, लेकिन इसमें इन विलक्षण अवस्थाओं को समझने के लिए सभी आवश्यक जानकारी होती है यदि विश्लेषण सही ढंग से किया जाए। शोधकर्ताओं ने दिखाया कि उनकी विधि तब भी काम करती है जब सिग्नल कमजोर हो या डेटा शोर से दूषित हो, जो सुझाव देता है कि इस दृष्टिकोण का उपयोग वास्तविक प्रयोगशालाओं में टोपोलॉजिकल सामग्रियों का अध्ययन करने के लिए किया जा सकता है। उन्होंने यह भी उल्लेख किया कि हालांकि उनके वर्तमान कार्य में सिमुलेशन और एक मजबूत चुंबकीय क्षेत्र वाले विशिष्ट सेटअप पर निर्भरता थी, लेकिन इन सिद्धांतों को अन्य प्रकार की आणविक व्यवस्थाओं और यहाँ तक कि अणुओं को उत्तेजित करने के विभिन्न तरीकों, जैसे कि प्रकाश के बजाय विद्युत धारा का उपयोग करके, विस्तारित किया जा सकता है। सटीक भौतिक मापों को मशीन लर्निंग के साथ जोड़कर, टीम ने टोपोलॉजिकल एज स्टेट्स की छिपी हुई दुनिया में एक नया झरोखा खोला है, जिससे संकेतों के एक भ्रमित धुंधलके को पदार्थ के किनारे पर ऊर्जा कैसे व्यवहार करती है, इसकी एक स्पष्ट तस्वीर में बदल दिया गया है।
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।