Probing the limits of forward screening and inverse design of crystal materials
55 भिन्न क्रिस्टल डेटाबेस को एक व्यापक संसाधन में एकीकृत करके और लुप्त गुणों की भविष्यवाणी करने के लिए CGTNet मॉडल का उपयोग करके, यह अध्ययन प्रकट करता है कि ज्ञात सामग्रियों की अग्रिम स्क्रीनिंग से ReN2 जैसे हजारों अति-असंपीड्य (ultra-incompressible) उम्मीदवारों का पता लगाया जा सकता है, जबकि यह प्रदर्शित करता है कि वर्तमान व्युत्क्रम डिजाइन (inverse design) विधियाँ अक्सर मौजूदा संरचनाओं को ही पुन: खोज लेती हैं, जिससे सामग्री की नवीनता के मूल्यांकन के लिए एक अधिक कठोर आधार स्थापित होता 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
सामग्री वैज्ञानिक लगातार नए क्रिस्टल की खोज में रहते हैं, जो वे कठोर, दोहराव वाली संरचनाएं हैं जिनसे हमारे फोन के सिलिकॉन से लेकर गहनों के हीरे तक सब कुछ बना है। किसी विशिष्ट 'सुपरपावर' वाले पदार्थ को खोजने के लिए—जैसे कि अत्यधिक दबाव सहने की क्षमता या बिजली का पूर्णतः संचालन करने की क्षमता—शोधकर्ता आमतौर पर दो में से एक मार्ग अपनाते हैं। पहला एक खजाने की खोज (ट्रेजर हंट) है: वे लाखों ज्ञात क्रिस्टलों की छानबीन करते हैं, यह देखने के लिए कि क्या उनमें से किसी में पहले से ही वांछित गुण मौजूद है। दूसरा एक रचनात्मक कार्य है: वे पूरी तरह से नए क्रिस्टल ढांचे की कल्पना करने और उन्हें उत्पन्न करने के लिए शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग करते हैं जो उस गुण को धारण कर सकें। ये दोनों विधियाँ डेटा के विशाल सार्वजनिक पुस्तकालयों पर निर्भर करती हैं, जहाँ वैज्ञानिक उन क्रिस्टलों के ब्लूप्रिंट और गुणों को संग्रहीत करते हैं जिन्हें उन्होंने खोजा है या जिनका सिमुलेशन किया है। लेकिन वर्षों से, ये पुस्तकालय अलग-अलग भाषाएँ बोल रहे थे। एक ही क्रिस्टल को एक डेटाबेस में एक नाम से और दूसरे में पूरी तरह से अलग नाम से सूचीबद्ध किया जा सकता है, या इसमें महत्वपूर्ण जानकारी पूरी तरह से गायब हो सकती है। इस भ्रम ने यह जानना कठिन बना दिया था कि इन खोज विधियों की वास्तविक सीमा क्या है, या जो सामग्रियां वे पाते हैं वे वास्तव में कितनी "नई" हैं।
हांगकांग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने अब एक एकल, एकीकृत लाइब्रेरी बनाकर इस धुंध को साफ कर दिया है जो 55 विभिन्न डेटाबेसों को एक साथ लाती है। उन्होंने केवल डेटा को कॉपी और पेस्ट नहीं किया; उन्होंने प्रत्येक क्रिस्टल को उसके भौतिक आकार के आधार पर सावधानीपूर्वक मिलाया, जिससे उन भ्रमित करने वाले नामों और रासायनिक सूत्रों को अनदेखा किया जा सका जो अक्सर एक ही सामग्री के विभिन्न संस्करणों के बीच अंतर करने में विफल रहते हैं। इस विशाल प्रयास के परिणामस्वरूप लगभग 14.6 मिलियन अद्वितीय क्रिस्टल संरचनाओं और 131 मिलियन से अधिक गुण मापों वाला एक एकल, स्व-अपडेट होने वाला कैटलॉग तैयार हुआ। महत्वपूर्ण रूप से, उन्होंने हर एक जानकारी के स्रोत का रिकॉर्ड रखा, जिससे प्रत्येक मान (वैल्यू) के इतिहास का पता लगाया जा सके। उन्होंने पाया कि हालांकि यह लाइब्रेरी विशाल है, लेकिन यह अविश्वसनीय रूप से विरल (स्पार्स) भी है। अधिकांश क्रिस्टलों के लिए, विशिष्ट गुण जिनकी शोधकर्ताओं को आवश्यकता होती है, रिकॉर्ड में बस गायब हैं। इन अंतरालों को भरने के लिए, टीम ने CGTNet नामक एक नया आर्टिफिशियल इंटेलिजेंस मॉडल विकसित किया। यह मॉडल एक अत्यधिक कुशल अनुमान लगाने वाले की तरह कार्य करता है, जिसे क्रिस्टल की संरचना के आधार पर लापता गुणों की भविष्यवाणी करने के लिए प्रशिक्षित किया गया है, जिसकी सटीकता पिछले तरीकों से कहीं अधिक है। इस उपकरण का उपयोग करके, वे इस लाइब्रेरी को पूरा करने में सक्षम हुए, और उन लाखों क्रिस्टलों के लिए मानों की भविष्यवाणी की जिन्हें पहले कभी मापा या गणना नहीं किया गया था।
इस पूर्ण लाइब्रेरी के साथ, शोधकर्ताओं ने दोनों दृष्टिकोणों—खजाने की खोज और रचनात्मक पीढ़ी—की सीमाओं का परीक्षण किया। उन्होंने पहले खजाने की खोज, या "फॉरवर्ड स्क्रीनिंग" को देखा, यह पूछते हुए कि ज्ञात क्रिस्टलों के बीच कितने अत्यंत कठोर (अल्ट्रा-हार्ड) पदार्थ छिपे हो सकते हैं। इस अध्ययन से पहले, वैज्ञानिकों का मानना था कि उन्होंने अधिकांश उम्मीदवारों को पहले ही खोज लिया है। हालाँकि, इस नए AI मॉडल को पूर्ण लाइब्रेरी पर लागू करके, उन्होंने हजारों ज्ञात क्रिस्टल खोजे जो संभवतः अत्यधिक असंपीड्य (अल्ट्रा-इनकंप्रेसिबल) थे, लेकिन इस विशिष्ट गुण के लिए कभी परीक्षण नहीं किए गए थे। इन छिपे हुए रत्नों के बीच, उन्होंने ReN2 नामक एक पदार्थ पाया। हालांकि इस क्रिस्टल को उच्च दबाव में लैब में बनाया गया था और इसकी कठोरता 428 गीगापास्कल मापी गई थी, लेकिन किसी भी डेटाबेस ने इसके 'बल्क मॉड्यूलस' (संपीड़न के प्रति प्रतिरोध का माप) को कभी दर्ज नहीं किया था। शोधकर्ताओं की स्क्रीनिंग ने सफलतापूर्वक इसे एक शीर्ष उम्मीदवार के रूप में पहचाना, जिससे सिद्ध हुआ कि खजाने की खोज अभी भी उन मूल्यवान, ज्ञात सामग्रियों को खोज सकती है जिन्हें बिखरे हुए और अधूरे डेटा के कारण अनदेखा कर दिया गया था।
टीम ने फिर अपना ध्यान रचनात्मक दृष्टिकोण, या "इनवर्स डिजाइन" की ओर लगाया, जहाँ कंप्यूटर नए क्रिस्टल विचार उत्पन्न करते हैं। वर्षों से, ये कंप्यूटर प्रोग्राम दावा करते रहे हैं कि वे बड़ी संख्या में बिल्कुल नई सामग्रियां खोज रहे हैं। शोधकर्ताओं ने पूर्ण लाइब्रेरी के विरुद्ध उत्पन्न क्रिस्टलों की जाँच करके इन दावों का परीक्षण किया। उन्होंने पाया कि नवीनता का अहसास काफी हद तक अधूरा संदर्भ सूची उपयोग करने के कारण पैदा हुआ भ्रम था। जब उन्होंने पूर्ण लाइब्रेरी के 55 स्रोतों के विरुद्ध उत्पन्न क्रिस्टलों की जाँच की, तो उन्होंने पाया कि उनमें से एक बड़ी संख्या में से कोई भी नया नहीं था। एक विशिष्ट परीक्षण में, एक कंप्यूटर प्रोग्राम ने 100 क्रिस्टल उत्पन्न किए जिनका दावा था कि वे नए और अत्यंत सख्त हैं। जब शोधकर्ताओं ने उन्हें अपने पूर्ण डेटाबेस के विरुद्ध जांचा, तो उन्होंने पाया कि उनमें से 82 वास्तव में पहले से ज्ञात और दर्ज रचनाओं के रूपांतर थे। इसके अलावा, इन सभी "नए" क्रिस्टलों में ऑस्मियम (osmium) नामक एक विशिष्ट तत्व शामिल था, जो यह सुझाव देता है कि जनरेटर केवल ज्ञात सामग्रियों के एक बहुत ही संकीर्ण सेट को पुनर्व्यवस्थित कर रहा था, न कि संभावनाओं के पूरे ब्रह्मांड की खोज कर रहा था।
अध्ययन यह निष्कर्ष निकालता है कि जिस तरह से हम सामग्रियों की खोज करते हैं, उसे बदलने की आवश्यकता है। खजाने की खोज पहले की तुलना में कहीं अधिक शक्तिशाली है; सभी ज्ञात डेटा को एकीकृत करके और लापता हिस्सों को भरकर, हम हजारों उपयोगी सामग्रियां पा सकते हैं जो पहले से मौजूद हैं लेकिन हमारे रिकॉर्ड के अंतराल में छिपी हुई थीं। इसके विपरीत, रचनात्मक पीढ़ी दृष्टिकोण अपनी सफलता को बढ़ा-चढ़ाकर बता रहा है। यह जो "नई" सामग्रियां बनाता है, वे अक्सर वही होती हैं जिन्हें हम पहले से जानते हैं, केवल इसलिए क्योंकि उन्हें परखने वाली संदर्भ सूचियाँ बहुत छोटी थीं। एक एकल, पूर्ण और सत्यापित डेटाबेस का उपयोग करके, वैज्ञानिक अब एक वास्तविक खोज और एक डुप्लिकेट के बीच अंतर कर सकते हैं, यह सुनिश्चित करते हुए कि अगली महान सामग्री की खोज भ्रम के बजाय सत्य की नींव पर टिकी हो।
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।