Autonomous atomistic-continuum coupling through uncertainty-aware active learning
यह शोध पत्र एक स्वायत्त, अनिश्चितता-जागरूक सक्रिय शिक्षण ढांचे को प्रस्तुत करता है जो रिएक्टिव वेपर डिपोजिशन के लिए परमाणुगत काइनेटिक मोंटे कार्लो सिमुलेशन को निरंतर द्रव गतिकी सॉल्वर के साथ कुशलतापूर्वक जोड़ता है, जिससे उच्च सटीकता प्राप्त होती है और आवश्यक परमाणुगत सिमुलेशन की संख्या में दो से तीन परिमाण (ऑर्डर ऑफ मैग्नीट्यूड) की कमी आती 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 विज्ञान (materials science) की दुनिया में, इंजीनियर अक्सर सूक्ष्म और विशाल के बीच एक निराशाजनक अंतर का सामना करते हैं। यह समझने के लिए कि एक नई सामग्री कैसे बनती है, उन्हें व्यक्तिगत परमाणुओं को देखना पड़ता है, जो नैनोमीटर में मापे जाते हैं और एक सेकंड के खरबवें हिस्से में चलते हैं। फिर भी, एक वास्तविक उपकरण बनाने के लिए, उन्हें यह समझने की आवश्यकता होती है कि वह सामग्री मीटर और सेकंड के पैमाने पर कैसा व्यवहार करती है। पारंपरिक रूप से, वैज्ञानिकों ने इन दोनों दुनियाओं को अलग-अलग माना है, और यह अनुमान लगाने के लिए सरल नियम बनाए हैं कि छोटा पैमाना बड़े पैमाने को कैसे प्रभावित करता है। लेकिन ये अनुमान अक्सर विफल हो जाते हैं क्योंकि वास्तविक दुनिया अव्यवस्थित और अप्रत्याशित होती है। जब सरल नियम गलत होते हैं, तो पूरा डिज़ाइन दोषपूर्ण हो सकता है। चुनौती यह रही है कि एक ही कंप्यूटर गणना पर जीवन भर खर्च किए बिना परमाणु पैमाने को स्थूल (macroscopic) पैमाने से कैसे जोड़ा जाए।
शोधकर्ताओं की एक टीम ने इस अंतर को पाटने का एक नया तरीका विकसित किया है, विशेष रूप से उन्नत सौर सेल बनाने की एक प्रक्रिया के लिए जिसे हैलाइड पेरोव्स्काइट (halide perovskites) कहा जाता है। ये सामग्रियां एक सतह पर गैस के अणुओं के वाष्प (vapor) को छिड़ककर बनाई जाती हैं, जहाँ वे एक क्रिस्टल बनाने के लिए एक साथ चिपक जाते हैं। यह भविष्यवाणी करने के लिए कि यह क्रिस्टल कितनी तेजी से बढ़ेगा और यह कैसा दिखेगा, वैज्ञानिकों को आमतौर पर एक ही समय में दो अलग-अलग प्रकार के कंप्यूटर प्रोग्राम चलाने होते हैं। एक प्रोग्राम गैस के प्रवाह को ट्रैक करता है, जैसे मौसम का मॉडल हवा की दिशा को ट्रैक करता है। दूसरा प्रोग्राम सतह पर गिरने वाले व्यक्तिगत परमाणुओं को ट्रैक करता है, जैसे कि एक सूक्ष्म टेट्रिस (Tetris) का खेल। इन दोनों प्रोग्रामों को एक साथ चलाना अविश्वसनीय रूप से धीमा है क्योंकि परमाणु वाला प्रोग्राम गैस वाले प्रोग्राम की तुलना में हजारों गुना धीमा है। हर बार जब गैस प्रोग्राम को यह जानने की आवश्यकता होती है कि सतह उस पर कैसे प्रतिक्रिया कर रही है, तो उसे परमाणु प्रोग्राम के अपना काम पूरा करने का इंतजार करना पड़ता है, जिसमें एक एकल सिमुलेशन के लिए कई दिन या सप्ताह लग सकते हैं।
शोधकर्ताओं ने इसे एक स्मार्ट सहायक बनाकर हल किया जो काम करते समय सीखता है। परमाणु प्रोग्राम से हर बार उत्तर मांगने के बजाय, उन्होंने एक सांख्यिकीय मॉडल बनाया जो एक विकल्प के रूप में कार्य करता है। यह मॉडल परमाणु प्रोग्राम से डेटा की एक छोटी मात्रा के साथ शुरू होता है और फिर सतह कैसे प्रतिक्रिया करेगी, इसके बारे में अपने स्वयं के अनुमान लगाता है। मुख्य नवाचार यह है कि यह मॉडल जानता है कि वह कब अनिश्चित है। यह अपनी अनिश्चितता का एक स्कोर रखता है। जब मॉडल अपने अनुमान में आश्वस्त होता है, तो यह बस तेज़ गैस प्रोग्राम को उत्तर प्रदान कर देता है, जिससे सिमुलेशन तेजी से आगे बढ़ पाता है। हालाँकि, यदि मॉडल ऐसी स्थिति का सामना करता है जो उसने पहले कभी नहीं देखी है और उसका अनिश्चितता स्कोर बहुत अधिक हो जाता है, तो वह रुक जाता है और वास्तविक उत्तर के लिए धीमे परमाणु प्रोग्राम से पूछता है। फिर वह इस नई जानकारी का उपयोग खुद को अपडेट करने के लिए करता है, ताकि अगली बार समान स्थिति का सामना करने पर वह अधिक स्मार्ट बन सके।
इस दृष्टिकोण को, जिसे टीम "अनसर्टेन्टी-अवेयर एक्टिव लर्निंग" (uncertainity-aware active learning) कहती है, एक क्रिस्टल उगाने के लिए सतह से टकराते हुए वाष्प जेट के सिमुलेशन पर परखा गया। शोधकर्ताओं ने पाया कि स्मार्ट सहायक केवल 10 से 20 प्रतिशत की त्रुटि के साथ धीमे, प्रत्यक्ष विधि के परिणामों को दोहरा सकता है। इससे भी महत्वपूर्ण बात यह है कि इसने धीमे परमाणु प्रोग्राम को चलाने की संख्या को एक सौ से एक हजार के कारक से कम कर दिया। इसका मतलब है कि एक सिमुलेशन जिसे सुपरकंप्यूटर पर पूरा होने में महीनों लग सकते थे, अब बहुत कम समय में किया जा सकता है। अध्ययन ने दिखाया कि मॉडल ने एक जटिल भौतिक नियम को सफलतापूर्वक सीखा: कि सतह पर परमाणु चिपकने की दर केवल अधिक गैस जोड़ने से नहीं बढ़ती है। इसके बजाय, एक निश्चित बिंदु के बाद, अधिक गैस जोड़ने से वास्तव में विकास धीमा हो जाता है, एक ऐसा व्यवहार जिसे मॉडल ने बिना किसी स्पष्ट प्रोग्रामिंग के सटीक रूप से पकड़ा।
शायद सबसे आश्चर्यजनक खोज यह थी कि मॉडल को सतह पर बढ़ते क्रिस्टल के विस्तृत आकार को जानने की आवश्यकता नहीं थी। आमतौर पर, वैज्ञानिक सोचते हैं कि सामग्री के व्यवहार की भविष्यवाणी करने के लिए उन्हें प्रत्येक परमाणु की स्थिति को ट्रैक करना चाहिए। हालाँकि, इस अध्ययन ने प्रदर्शित किया कि गैस के विभिन्न प्रकार के अणुओं के द्रव्यमान (mass) के प्रवाह को ट्रैक करना ही पर्याप्त था। मॉडल ने सीखा कि क्रिस्टल के भीतर परमाणुओं की विशिष्ट व्यवस्था को गैस और ठोस के बीच सामग्री के आदान-प्रदान की भविष्यवाणी करने के लिए जानना आवश्यक नहीं था। केवल द्रव्यमान के प्रवाह पर ध्यान केंद्रित करके, शोधकर्ता उस अनावश्यक जटिलता को हटाने में सक्षम रहे जो आमतौर पर इन गणनाओं को इतना महंगा बना देती है।
परिणाम बताते हैं कि इस पद्धति का उपयोग पहले की तुलना में बहुत तेज़ी से बेहतर सौर सेल और अन्य सामग्रियां डिजाइन करने के लिए किया जा सकता है। टीम ने दिखाया कि कंप्यूटर को यह तय करने देकर कि उसे कठिन परिश्रम कब करना है, वैज्ञानिक उच्च सटीकता बनाए रखते हुए कंप्यूटिंग शक्ति की भारी बचत कर सकते हैं। यह विधि लचीली है और इसे अन्य समस्याओं पर भी लागू किया जा सकता है जहाँ तेज़ और धीमी प्रक्रियाओं को एक-दूसरे से बात करने की आवश्यकता होती है। हालाँकि यह अध्ययन एक सिमुलेशन था, लेकिन इसका तर्क कठोर परीक्षण के तहत कायम रहता है, जो उन इंजीनियरों के लिए एक व्यावहारिक मार्ग प्रदान करता है जिन्हें सामग्रियों के सूक्ष्म विवरणों को समझने के लिए वर्षों तक प्रतीक्षा करने की आवश्यकता होती है। यह कार्य सिद्ध करता है कि सही प्रकार की सीख के साथ, कंप्यूटर परमाणु दुनिया की जटिलता को समझे बिना उसमें उलझ सकते 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।