← नवीनतम पेपर
🔬 सामग्री विज्ञान

Learning Electronic Band Structures Across the s, p, d Blocks with an Empirical Pseudopotential Network

यह शोध पत्र EpNet को प्रस्तुत करता है, जो एक इक्विवेरिएंट (equivariant) न्यूरल नेटवर्क है जो s, p, और d ब्लॉक्स के क्रिस्टलों के लिए पूर्ण इलेक्ट्रॉनिक बैंड संरचनाओं की सीधे उच्च सटीकता के साथ भविष्यवाणी करने हेतु एक अनुभवजन्य स्यूडोपोटेंशियल (empirical pseudopotential) सीखता है, जो पारंपरिक घनत्व कार्यात्मक सिद्धांत (density-functional theory) की तुलना में बहुत कम गणनात्मक लागत पर आधारित है।

मूल लेखक: Qiang Zhu

प्रकाशित 2026-11-10
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Qiang Zhu

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

प्रत्येक ठोस क्रिस्टल के भीतर, कंप्यूटर चिप में मौजूद सिलिकॉन से लेकर तार में मौजूद कॉपर तक, इलेक्ट्रॉन एक विशिष्ट, संरचित तरीके से चलते हैं जो यह निर्धारित करता है कि वह सामग्री बिजली का संचालन कैसे करती है या प्रकाश को कैसे अवशोषित करती है। इस व्यवहार को वैज्ञानिक 'इलेक्ट्रॉनिक बैंड स्ट्रक्चर' कहते हैं, जो ऊर्जा के उन स्तरों का एक मानचित्र है जिन्हें इलेक्ट्रॉन ग्रहण कर सकते हैं। दशकों से, इस मानचित्र की गणना करने का मानक तरीका 'डेंसिटी-फंक्शनल थ्योरी' नामक एक विधि रही है। हालांकि यह दृष्टिकोण सटीक है, लेकिन यह अविश्वसनीय रूप से धीमा और गणनात्मक रूप से महंगा भी है, जिसमें अक्सर एक एकल सामग्री के लिए भी जटिल समीकरणों को हल करने के लिए विशाल सुपरकंप्यूटरों की आवश्यकता होती है। जैसे-जैसे शोधकर्ता बेहतर बैटरी, तेज़ इलेक्ट्रॉनिक्स या अधिक कुशल सौर सेल के लिए नई सामग्रियों को डिजाइन करने का प्रयास कर रहे हैं, वे एक बाधा का सामना करते हैं: वे लाखों संभावित रासायनिक संयोजनों का परीक्षण नहीं कर सकते क्योंकि गणना करने में बहुत समय लगता है।

गति बढ़ाने के लिए, वैज्ञानिक मशीन लर्निंग की ओर मुड़े हैं, जिससे कंप्यूटर को भौतिक गुणों की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है। हालांकि, अधिकांश मौजूदा मॉडल 'ब्लैक बॉक्स' की तरह कार्य करते हैं जो भौतिकी की समझ के बिना केवल एक संख्या (जैसे कि बैंड गैप का आकार) का अनुमान लगाते हैं। अन्य मॉडल इलेक्ट्रॉन प्रणाली की पूरी गणितीय संरचना को पुनर्गठित करने का प्रयास करते हैं, लेकिन वे अक्सर उन्हीं धीमी, पारंपरिक गणना विधियों से बंधे रहते हैं जिन्हें उन्हें बदलने के लिए बनाया गया था। एक ऐसे उपकरण की आवश्यकता थी जो तेज़ और भौतिक रूप से पूर्ण दोनों हो, जो पारंपरिक सुपरकंप्यूटिंग के भारी काम के बिना, सीधे क्रिस्टल के परमाणुओं की स्थिति से संपूर्ण ऊर्जा मानचित्र की भविष्यवाणी करने में सक्षम हो।

क्वांग ज़ू द्वारा उत्तरी कैरोलिना के चार्लोट विश्वविद्यालय में 'एपनेट' (EpNet) नामक एक समाधान विकसित किया गया है। यह एक 'लर्नड एम्पिरिकल स्यूडोपोटेंशियल नेटवर्क' (learned empirical pseudopotential network) है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे इलेक्ट्रॉनों की भौतिकी की नकल करने और पारंपरिक गणना के धीमे चरणों को दरकिनार करने के लिए डिज़ाइन किया गया है। केवल एक संख्या का अनुमान लगाने के बजाय, एपनेट क्रिस्टल के इलेक्ट्रॉन ऊर्जाओं का एक पूर्ण मानचित्र बनाता है। यह प्रत्येक परमाणु को उनकी रासायनिक पहचान और उनके तत्काल परिवेश के आधार पर स्थानीय नियमों का एक सेट सौंपकर कार्य करता है। इन नियमों में एक सुचारू, स्थानीय क्षमता (potential) शामिल है जो यह बताती है कि परमाणु पास के इलेक्ट्रॉनों के साथ कैसे परस्पर क्रिया करता है, और विशेष 'नॉनलोकल चैनल्स' शामिल हैं जो ट्रांजिशन मेटल्स (transition metals) में पाए जाने वाले अधिक जटिल, मजबूती से बंधे इलेक्ट्रॉनों को संभालते हैं। इन भौतिक-आधारित घटकों को जोड़कर, नेटवर्क क्रिस्टल का एक गणितीय प्रतिनिधित्व तैयार करता है जिसे पूर्ण बैंड संरचना प्रकट करने के लिए एक सेकंड के एक अंश में हल किया जा सकता है।

एपनेट को 12,000 से अधिक क्रिस्टल संरचनाओं के एक विशाल डेटासेट पर प्रशिक्षित किया गया था, जिसमें 63 विभिन्न तत्व शामिल थे, जो सरल गैसों से लेकर जटिल धातुओं तक पूरी आवर्त सारणी (periodic table) में फैले हुए थे। महत्वपूर्ण रूप से, मॉडल को केवल इलेक्ट्रॉनों के अंतिम ऊर्जा मानों पर सिखाया गया था, न कि गणना के मध्यवर्ती चरणों पर। इसने नेटवर्क को इस पैटर्न को सीखने में मदद की कि परमाणु विशिष्ट इलेक्ट्रॉनिक व्यवहार बनाने के लिए खुद को कैसे व्यवस्थित करते हैं। जब इसे उन रासायनिक प्रणालियों पर परखा गया जिन्हें इसने पहले कभी नहीं देखा था, तो मॉडल उल्लेखनीय रूप से सटीक साबित हुआ। इसने इलेक्ट्रॉन ऊर्जा स्तरों की भविष्यवाणी केवल 0.061 इलेक्ट्रॉन वोल्ट के औसत त्रुटि के साथ और बैंड गैप के आकार की भविष्यवाणी 0.102 इलेक्ट्रॉन वोल्ट की त्रुटि के साथ की। ये त्रुटियां वास्तविक दुनिया के सामग्री डिजाइन के लिए पर्याप्त छोटी हैं, और मॉडल ने ट्रांजिशन मेटल्स सहित विभिन्न प्रकार के तत्वों के बीच लगातार अच्छा प्रदर्शन किया, जो अक्सर सरल मॉडलों को भ्रमित कर देते हैं।

एपनेट की असली शक्ति इसकी गति में निहित है। जबकि पारंपरिक तरीकों को एक एकल सामग्री की इलेक्ट्रॉनिक संरचना की गणना करने में मिनट या घंटे लग सकते हैं, एपनेट एक मानक ग्राफिक्स प्रोसेसर पर वही काम एक सेकंड से भी कम समय में कर सकता है। 600,000 से अधिक अनदेखी क्रिस्टल संरचनाओं वाले एक स्वतंत्र डेटाबेस के एक बड़े परीक्षण में, मॉडल ने मानक तरीकों की तुलना में गणनात्मक लागत को दो से तीन आदेशों (orders of magnitude) तक कम करते हुए अपनी उच्च सटीकता बनाए रखी। इसने लगभग 99 प्रतिशत मामलों में सही ढंग से पहचाना कि कोई सामग्री धातु है या इंसुलेटर, और उन अन्य तेज़ मशीन-लर्निंग मॉडलों से बेहतर प्रदर्शन किया जो अक्सर सामग्रियों का गलत वर्गीकरण करते हैं। पिछले दृष्टिकोणों के विपरीत जो जटिल धातुओं के साथ संघर्ष करते हैं या विशिष्ट सॉफ़्टवेयर सेटअप की आवश्यकता रखते हैं, एपनेट सीधे परमाणु निर्देशांकों (atomic coordinates) से काम करता है, जो इसे सामग्रियों के विशाल पुस्तकालयों की स्क्रीनिंग के लिए एक बहुमुखी उपकरण बनाता है।

यह कार्य सामग्री विज्ञान के क्षेत्र में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो अभूतपूर्व गति और व्यापकता के साथ भौतिक दुनिया के इलेक्ट्रॉनिक गुणों का पता लगाने का एक तरीका प्रदान करता है। परमाणु की मौलिक भौतिकी का सम्मान करते हुए डेटा से इलेक्ट्रॉन व्यवहार के नियमों को सीधे सीखकर, एपनेट धीमी, सटीक गणनाओं और तेज़, अनुमानित अंदाजों के बीच के अंतर को पाटता है। यह शोधकर्ताओं को ऊर्जा और कंप्यूटिंग के लिए नई तकनीकों की खोज को तेज करने के लिए, एक ऐसे समय सीमा में लाखों संभावित सामग्रियों की स्क्रीनिंग करने की अनुमति देता है जो पहले असंभव था। यह मॉडल अब उपयोग के लिए उपलब्ध है, जो उन सामग्रियों के इलेक्ट्रॉनिक हृदय में झांकने के लिए एक तेज़ और विश्वसनीय खिड़की प्रदान करता है जो हमारी दुनिया को आकार देते 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।

Digest आज़माएँ →