Atomistic Insights into MOCVD Growth of GaAs using a Closed Loop Autonomous System Combining Directed Reinforcement Learning and Kinetic Monte Carlo Simulations

आधुनिक इलेक्ट्रॉनिक्स को शक्ति देने वाली सामग्री की सूक्ष्म, अदृश्य परतों को बनाना एक नाजुक कला है। ये परतें, जो अक्सर केवल कुछ परमाणुओं जितनी मोटी होती हैं, विशेष कक्षों के भीतर उगाई जाती हैं जहाँ गैसों को तब तक गर्म किया जाता है जब तक कि वे प्रतिक्रिया न कर लें और एक सतह पर जम न जाएं, जिससे एक ठोस फिल्म बन जाए। यह प्रक्रिया, जिसे केमिकल वेपर डिपोजिशन (chemical vapor deposition) के रूप में जाना जाता है, हमारी स्क्रीन के चमकदार एलईडी से लेकर हमारे कंप्यूटरों की हाई-स्पीड चिप्स तक, सब कुछ का आधार है। वैज्ञानिकों और इंजीनियरों के लिए चुनौती यह है कि इन परतों को बिल्कुल सही तरीके से प्राप्त करने के लिए गर्मी और गैस के प्रवाह के बीच एक सटीक संतुलन की आवश्यकता होती है। यदि तापमान बहुत कम है, तो परमाणु नहीं चिपकेंगे; यदि यह बहुत अधिक है, तो वे गिर सकते हैं या टूट सकते हैं। पारंपरिक रूप से, इस पूर्ण संतुलन को खोजना परीक्षण और त्रुटि (trial and error) का एक धीमा, महंगा खेल रहा है, जिसमें शोधकर्ताओं को अनगिनत प्रयोग करने, परिणामों को मापने, सेटिंग्स को बदलने और फिर से प्रयास करने की आवश्यकता होती है। यह एक संसाधन-गहन प्रक्रिया है जिसे एक एकल सामग्री के लिए अनुकूलित करने में महीनों लग सकते हैं।

इस प्रक्रिया को तेज करने के लिए, वैज्ञानिक लंबे समय से सर्वोत्तम सेटिंग्स का अनुमान लगाने के लिए कंप्यूटरों का उपयोग करने का प्रयास करते रहे हैं। हालाँकि, एक फिल्म उगाने का भौतिक विज्ञान ऐसे पैमानों पर होता है जो एक साथ मॉडल करना अविश्वसनीय रूप से कठिन है। परमाणु सेकंड के अंशों में कंपन और चलते हैं, जबकि फिल्म स्वयं मिनटों या घंटों में बढ़ती है। मानक कंप्यूटर मॉडल अक्सर इस अंतर को पाटने में संघर्ष करते हैं, या तो वे परमाणु कंपनों के सूक्ष्म विवरणों में खो जाते हैं या फिल्म कैसे विकसित होती है, इसके बड़े चित्र को समझने में विफल रहते हैं। भारतीय प्रौद्योगिकी संस्थान गांधीनगर के शोधकर्ताओं द्वारा किए गए एक नए अध्ययन ने इस समस्या को हल करने का एक नया तरीका पेश किया है। परमाणुओं के बीच प्रत्येक बल की गणना शून्य से करने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई जो वास्तविक दुनिया के प्रयोगों से सीखती है। एक कंप्यूटर सिमुलेशन जो व्यक्तिगत परमाणुओं को ट्रैक करता है, उसे एक बुद्धिमान खोज एल्गोरिदम (intelligent search algorithm) के साथ जोड़कर, उन्होंने एक ऐसा उपकरण बनाया जो तेजी से यह पता लगा सकता है कि एक फिल्म कैसे बढ़ती है, जिससे नियमित मापों को प्रक्रिया की गहरी समझ में बदला जा सके।

शोधकर्ताओं ने गैलियम आर्सेनाइड (gallium arsenide) पर ध्यान केंद्रित किया, जो उच्च-प्रदर्शन वाले इलेक्ट्रॉनिक्स और सौर सेल में व्यापक रूप से उपयोग की जाने वाली एक सामग्री है। वे यह समझना चाहते थे कि यह सामग्री कैसे बढ़ती है जब इसे दो विशिष्ट गैसों से बनाया जाता है: एक जिसमें गैलियम होता है और दूसरी जिसमें आर्सेनिक होता है। अपने कंप्यूटर मॉडल में, उन्होंने बढ़ती फिल्म की सतह को एक ग्रिड के रूप में सिम्युलेट किया जहाँ परमाणु उतर सकते हैं, चिपक सकते हैं, घूम सकते हैं या गिर सकते हैं। मॉडल में बीस अलग-अलग प्रकार की घटनाएँ शामिल थीं जो उस सतह पर हो सकती थीं, जैसे कि एक गैस अणु का टूटना, एक परमाणु का सतह से जुड़ना, या एक बंधित परमाणु का अलग होकर गैस में वापस जाना। समस्या यह थी कि मॉडल को यह वर्णन करने के लिए विशिष्ट संख्याओं की आवश्यकता थी कि ये घटनाएँ कितनी तेजी से होती हैं, और ये संख्याएँ पूरी तरह से ज्ञात नहीं थीं। आमतौर पर, वैज्ञानिक इन संख्याओं का अनुमान लगाने के लिए हफ्तों तक महंगे क्वांटम भौतिकी गणनाओं को चलाने में बिता देते हैं, लेकिन नई टीम ने एक अलग रास्ता अपनाया।

उन्होंने अपने सिमुलेशन को मोंटे कार्लो ट्री सर्च (Monte Carlo Tree Search) पर आधारित एक स्मार्ट सर्च इंजन से जोड़ा, जो एक ऐसी तकनीक है जिसका उपयोग अक्सर शतरंज जैसे जटिल खेल खेलने के लिए आर्टिफिशियल इंटेलिजेंस में किया जाता है। इस मामले में, "खेल" सिमुलेशन के लिए सही संख्याओं का सेट खोजना था। सिस्टम ने एक मोटे अनुमान के साथ शुरुआत की और फिर यह देखने के लिए सिमुलेशन चलाया कि वह कितनी विकास दर (growth rate) उत्पन्न करता है। इसने अपने परिणाम की तुलना वास्तविक प्रयोगों से प्राप्त डेटा से की, जहाँ विभिन्न तापमानों पर गैलियम आर्सेनाइड की विकास दर मापी गई थी। यदि सिमुलेशन बहुत धीमा या बहुत तेज़ था, तो सर्च इंजन ने संख्याओं को समायोजित किया और फिर से प्रयास किया। कई पुनरावृत्तियों (iterations) के माध्यम से, सिस्टम ने सीखा कि किन संख्याओं से सिमुलेशन वास्तविक दुनिया से मेल खाता है। इसने हजारों आभासी प्रयोग चलाकर इसे किया, लगातार अपने विकल्पों को परिष्कृत किया जब तक कि उसे संख्याओं का एक ऐसा सेट नहीं मिल गया जो तापमान की एक विस्तृत श्रृंखला में विकास व्यवहार की व्याख्या कर सके।

परिणामस्वरूप एक ऐसा मॉडल प्राप्त हुआ जिसने वास्तविक सामग्री के जटिल व्यवहार को सफलतापूर्वक पुनरुत्पादित किया। प्रायोगिक डेटा ने विकास के तीन अलग-अलग चरणों को दिखाया: कम तापमान पर, फिल्म धीरे-धीरे बढ़ी क्योंकि परमाणुओं को चिपकने में संघर्ष करना पड़ा; मध्यम तापमान पर, विकास दर एक स्थिर पठार (plateau) में बदल गई; और उच्च तापमान पर, विकास दर तेजी से गिर गई क्योंकि परमाणु सतह से चिपकने की तुलना में अधिक तेजी से गिरने लगे। कंप्यूटर मॉडल ने, जिसे सर्च इंजन द्वारा ट्यून किया गया था, इन तीनों चरणों को पूरी तरह से कैप्चर किया। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने स्पष्ट किया कि कौन सी भौतिक प्रक्रियाएं प्रत्येक चरण को संचालित कर रही थीं। निचले तापमान पर, विकास इस बात से सीमित था कि गैस के अणु सतह से कितनी अच्छी तरह चिपक पाते हैं। जैसे-जैसे तापमान बढ़ा, चिपकना आसान हो गया, लेकिन उच्चतम तापमान पर, प्रक्रिया इस बात से हावी थी कि परमाणु फिल्म से मुक्त होकर गैस में वापस जा रहे थे। नियंत्रण के इस बदलाव—चिपकने से लेकर गिरने तक—ने समझाया कि विकास दर क्यों चरम पर पहुँची और फिर अचानक गिर गई।

विकास की गति का मिलान करने के अलावा, मॉडल ने सतह का एक विस्तृत दृश्य भी प्रदान किया, जिसने विभिन्न तापमानों पर फिल्म कितनी खुरदरी होगी, इसका पूर्वानुमान लगाया। सिमुलेशन ने दिखाया कि कम तापमान पर सतह सबसे चिकनी थी लेकिन तापमान बढ़ने के साथ यह थोड़ी खुरदरी हो गई, और विकास दर गिरने से ठीक पहले खुरदरापन अपने चरम पर पहुँच गया। यह खुरदरापन एक खींचतान के कारण था जहाँ परमाणु लगातार जुड़ रहे थे और अलग हो रहे थे, जिससे एक अस्थिर सतह बन रही थी। मॉडल ने पहचाना कि यह खुरदरापन एक विशिष्ट तापमान सीमा के आसपास चरम पर था, लगभग 1175 केल्विन, जो उस तापमान से थोड़ा अधिक था जहाँ फिल्म सबसे तेजी से बढ़ी थी। यह अंतर्दृष्टि मूल्यवान है क्योंकि यह इंजीनियरों को बताती है कि फिल्म को उगाने का सबसे तेज़ तरीका सबसे चिकना तरीका नहीं हो सकता है, जो गति और गुणवत्ता के बीच एक समझौता (trade-off) करने के लिए मजबूर करता है।

इस दृष्टिकोण की असली शक्ति परमाणु बलों की महंगी, समय लेने वाली गणनाओं को दरकिनार करने की इसकी क्षमता में निहित है। सिद्धांतों (first principles) से नियमों की भविष्यवाणी करने के बजाय, सिस्टम सीधे प्रयोगात्मक डेटा से नियमों को सीखता है। इसका मतलब है कि इस पद्धति को किसी भी ऐसी सामग्री पर लागू किया जा सकता है जहाँ विकास प्रक्रिया को घटनाओं के एक सेट में विभाजित किया जा सकता है, बशर्ते कि खोज को निर्देशित करने के लिए कुछ प्रयोगात्मक डेटा उपलब्ध हो। शोधकर्ता इस बात पर जोर देते हैं कि उनके द्वारा पाई गई विशिष्ट संख्याएँ उनके सिमुलेशन को सेटअप करने के विशिष्ट तरीके से जुड़ी हुई हैं, लेकिन यह तस्वीर कि कौन सी प्रतिक्रियाएं विकास को नियंत्रित करती हैं, सुदृढ़ है। यह ढांचा अनिवार्य रूप से प्रयोगात्मक डेटा के 'ब्लैक बॉक्स' को सतह पर क्या हो रहा है, इसकी एक स्पष्ट, यांत्रिक कहानी में बदल देता है।

यह कार्य उन्नत सामग्रियों के निर्माण के डिजाइन और अनुकूलन के लिए एक नया तरीका सुझाता है। एक ऐसा कंप्यूटर मॉडल उपयोग करके जो वास्तविक मापों से सीखता है, इंजीनियर किसी प्रक्रिया को पूर्ण करने के लिए आवश्यक भौतिक प्रयोगों की संख्या को कम कर सकते हैं। यह सिस्टम एक 'डिजिटल ट्विन' के रूप में कार्य करता है, जो रिएक्टर का एक आभासी संस्करण है जिसे किसी भी भौतिक गैस को चालू करने से पहले टेस्ट और ट्यून किया जा सकता है। यह सौर सेल, लेजर और हाई-स्पीड इलेक्ट्रॉनिक्स के लिए नई सामग्रियां विकसित करने में लगने वाले समय को काफी कम कर सकता है। यह अध्ययन प्रदर्शित करता है कि परमाणु सिमुलेशन को इंटेलिजेंट सर्च एल्गोरिदम के साथ जोड़कर, वैज्ञानिक पारंपरिक विधियों की भारी कम्प्यूटेशनल लागत में फंसे बिना जटिल विकास प्रक्रियाओं के रहस्यों को अनलॉक कर सकते हैं। यह अगली पीढ़ी की तकनीक के लिए आवश्यक उच्च-गुणवत्ता वाली, अति-पतली फिल्मों के निर्माण के लिए एक व्यावहारिक मार्ग प्रदान करता है।