Dynamics and transport in LiF using classical and machine learned interatomic potentials
यह अध्ययन प्रदर्शित करता है कि मशीन-लर्न किए गए इंटरएटोमिक पोटेंशियल, विशेष रूप से MACE-MP-0b3 और इसका फाइन-ट्यून्ड वेरिएंट, स्पष्ट ध्रुवीकरण (polarizability) के अभाव के बावजूद, अधिक यथार्थवादी लोचदार सामूहिक गति (elastic collective motion) के माध्यम से प्रयोगात्मक शियर विस्कोसिटी (shear viscosity) को सटीक रूप से पुनरुत्पादित करके और पिघलने के बिंदु के कम अनुमानों को सुधारकर, पिघले हुए लिथियम फ्लोराइड के अनुकरण में शास्त्रीय मॉडलों से बेहतर प्रदर्शन करते हैं।
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
पिघले हुए लवण (मोलन साल्ट्स) ऐसे तरल पदार्थ हैं जो आवेशित कणों, यानी आयनों से बने होते हैं, जिन्हें तब तक गर्म किया जाता है जब तक कि उनकी ठोस क्रिस्टल संरचना टूट न जाए। जबकि हम अक्सर नमक को खाने की मेज पर रखे एक ठोस डिब्बे के रूप में सोचते हैं, परमाणु ऊर्जा और सौर ऊर्जा भंडारण की उच्च-तकनीकी दुनिया में, इन लवणों को ईंधन के वाहक या शीतलक (कूलेंट) के रूप में उपयोग करने के लिए पिघलाया जाता है। इन्हें अत्यधिक गर्मी को बिना उबले या वाष्पित हुए सहने की क्षमता के लिए सराहा जाता है, जो एक ऐसा गुण है जो इन्हें अगली पीढ़ी के रिएक्टरों और थर्मल बैटरी के लिए आदर्श बनाता है। हालाँकि, उन्हें सुरक्षित और कुशलता से उपयोग करने के लिए, इंजीनियरों को यह जानना आवश्यक है कि वे ठीक कैसे बहते हैं। इस माप के लिए सबसे महत्वपूर्ण मापदंड श्यानता (विस्कोसिटी) है, जो सरल शब्दों में किसी तरल के बहने के प्रतिरोध, या उसके गाढ़ेपन का माप है। यदि शीतलक बहुत अधिक गाढ़ा है, तो वह गर्मी को पर्याप्त तेज़ी से दूर नहीं ले जा पाएगा; यदि यह बहुत पतला है, तो यह आवश्यक दबाव प्रदान नहीं कर पाएगा। दशकों से, वैज्ञानिक कंप्यूटर सिमुलेशन का उपयोग करके इन गुणों की भविष्यवाणी करने का प्रयास कर रहे हैं, लेकिन जिन उपकरणों पर वे निर्भर रहे हैं, वे अक्सर तापमान को गलत बताते हैं, जिससे तरल के व्यवहार के बारे में गलत भविष्यवाणियां होती हैं।
शोधकर्ताओं की एक टीम ने एक नए पीढ़ी के कंप्यूटर मॉडल का पुराने मॉडलों के विरुद्ध परीक्षण करके इस समस्या को हल करने का प्रयास किया, जिसमें लिथियम फ्लोराइड, जो एक सामान्य पिघला हुआ लवण है, को परीक्षण मामले के रूप में उपयोग किया गया। उन्होंने पारंपरिक सिमुलेशन विधियों, जो परमाणुओं के बीच परस्पर क्रिया के निश्चित नियमों पर आधारित हैं, की तुलना मशीन लर्निंग द्वारा संचालित एक नए दृष्टिकोण से की। पारंपरिक मॉडल, हालांकि तेज़ थे, उनमें एक निरंतर दोष था: उन्होंने भविष्यवाणी की कि नमक वास्तविक प्रयोगों में देखे जाने वाले तापमान से लगभग 300 डिग्री अधिक तापमान पर गाढ़ा और चिपचिपा हो जाएगा। यह ऐसा था मानो कंप्यूटर को विश्वास हो कि तरल अभी भी ठोस है जबकि वह वास्तव में स्वतंत्र रूप से बह रहा था। शोधकर्ताओं को संदेह था कि यह त्रुटि पारंपरिक मॉडलों द्वारा नमक के पिघलने के तापमान को कम आंकने के कारण हुई थी। इसकी जांच करने के लिए, उन्होंने 'मेस' (MACE) नामक एक मशीन-लर्न की गई क्षमता (पोटेंशियल) का उपयोग करके व्यापक सिमुलेशन चलाए, जो एक ऐसा मॉडल है जिसे क्वांटम मैकेनिकल डेटा के विशाल भंडार पर प्रशिक्षित किया गया है ताकि परमाणुओं के व्यवहार को कठोर, पूर्व-निर्धारित नियमों में बांधे बिना समझा जा सके।
परिणाम आश्चर्यजनक थे। मशीन-लर्न्ड मॉडल ने, बिना किसी विशेष समायोजन के, तापमान की एक विस्तृत श्रृंखला में पिघले हुए नमक की श्यानता का सफलतापूर्वक पूर्वानुमान लगाया, और प्रयोगात्मक डेटा के साथ उस सटीकता के स्तर से मेल खाया जिसके लिए पहले बहुत अधिक जटिल और गणनात्मक रूप से महंगे मॉडलों की आवश्यकता होती थी। महत्वपूर्ण रूप से, इस नए मॉडल ने पिघलने के बिंदु की त्रुटि को भी ठीक कर दिया। जहाँ पारंपरिक मॉडलों ने सुझाव दिया था कि नमक वास्तविक व्यवहार की तुलना में बहुत कम तापमान पर पिघल जाएगा, वहीं मशीन-लर्न्ड मॉडल ने पिघलने के बिंदु की भविष्यवाणी वास्तविक स्थिति के बहुत करीब की थी। यह संरेखण कोई संयोग नहीं था; अध्ययन में पाया गया कि नमक के पिघलने के समय को सही ढंग से बताने की क्षमता, इसके गाढ़ेपन की भविष्यवाणी करने की क्षमता से सीधे जुड़ी हुई थी। जब सिमुलेशन ने पिघलने के तापमान को सही बताया, तो श्यानता की गणना भी स्वतः ही सही हो गई।
इस बात की गहराई में जाने के लिए कि ऐसा क्यों हुआ, शोधकर्ताओं ने परमाणुओं के सूक्ष्म नृत्य (माइक्रोस्कोपिक डांस) का अध्ययन किया। पारंपरिक मॉडलों में, परमाणुओं को निश्चित विद्युत आवेशों के रूप में माना गया था, जिससे वे एक सख्त, उच्च-आवृत्ति वाली थरथराहट (जिटर) के साथ चलते थे, जैसे कि वे एक कठोर पिंजरे में फंसे हों। इस कठोरता ने तरल को वास्तव में होने की तुलना में अधिक आसानी से बहता हुआ दिखाया। इसके विपरीत, मशीन-लर्न्ड मॉडल ने परमाणुओं को अधिक लचीले, 'मेनी-बॉडी' (बहु-निकाय) तरीके से परस्पर क्रिया करने की अनुमति दी। इस लचीलेपन ने एक ऐसा तरल ढांचा बनाया जो थोड़ा अधिक लोचदार (इलास्टिक) था, जिसका अर्थ है कि यह शेयरिंग बलों (शीयरिंग फोर्सेस) का अधिक प्रभावी ढंग से प्रतिरोध करता था। प्रवाह के प्रति यह बढ़ा हुआ प्रतिरोध ही उच्च श्यानता को दर्शाता है। अध्ययन से पता चला कि हालांकि नए मॉडल में व्यक्तिगत परमाणु थोड़े अधिक स्वतंत्रता के साथ चलते थे, लेकिन परमाणुओं के पूरे समूह की सामूहिक गति अधिक सुसंगत और लोचदार थी, जो तरल के समग्र गाढ़ेपन को नियंत्रित करती है।
टीम ने मशीन-लर्न्ड मॉडल के एक परिष्कृत संस्करण का भी परीक्षण किया, जिसे प्रयोगात्मक परिणामों के और भी करीब पहुँचने के लिए अतिरिक्त डेटा के साथ ट्यून किया गया था। इस परिष्कृत संस्करण ने एक ऐसी श्यानता की भविष्यवाणी की जो मूल मॉडल की तुलना में थोड़ी अधिक थी, जो प्रयोगात्मक मापों की सीमा के ऊपरी छोर पर स्थित थी। दिलचस्प बात यह है कि इस संस्करण ने पिघलने के बिंदु की भी भविष्यवाणी मूल मॉडल की तुलना में थोड़ी अधिक की। शोधकर्ताओं ने नोट किया कि हालांकि परिष्कृत मॉडल प्रयोगात्मक घनत्व मापों के बहुत करीब था, लेकिन विभिन्न मॉडलों के बीच के अंतर और वास्तविक दुनिया के प्रयोगात्मक डेटा के फैलाव के कारण किसी एक संस्करण को पूर्ण विजेता घोषित करना कठिन था। प्रयोगात्मक डेटा स्वयं काफी भिन्न होता है, जो संभवतः अशुद्धियों या विभिन्न प्रयोगशालाओं में किए गए प्रयोगों के तरीकों में अंतर के कारण होता है।
अंततः, यह अध्ययन प्रदर्शित करता है कि मशीन-लर्न्ड पोटेंशियल पारंपरिक मॉडलों की तुलना में पिघले हुए लवणों के जटिल भौतिकी को पकड़ सकते हैं, विशेष रूप से पिघलने के तापमान और परिणामी प्रवाह गुणों को सही ढंग से बताकर। शोध से पता चलता है कि पुराने मॉडल इसलिए विफल नहीं हुए क्योंकि वे पूरी तरह से गलत थे, बल्कि इसलिए क्योंकि वे बहुत कठोर थे, जो परमाणुओं को एक सख्त, उच्च-आवृत्ति वाली गति में धकेलते थे जो तरल की वास्तविक, थोड़ी अधिक लोचदार प्रकृति को प्रतिबिंबित नहीं करती थी। क्वांटम डेटा से सीखने के बजाय निश्चित नियमों पर निर्भर रहने के बजाय एक मॉडल का उपयोग करके, शोधकर्ता एक ऐसे तरल का अनुकरण करने में सक्षम हुए जो वास्तविक चीज़ की तरह व्यवहार करता है। यह प्रगति महत्वपूर्ण है क्योंकि यह उन प्रणालियों को डिजाइन करने का एक अधिक विश्वसनीय तरीका प्रदान करती है जिनमें पिघले हुए लवणों का उपयोग किया जाता है, जैसे कि परमाणु रिएक्टरों से लेकर सौर ऊर्जा भंडारण तक, यह सुनिश्चित करते हुए कि गर्मी स्थानांतरित करने वाले तरल पदार्थ चरम स्थितियों में अपेक्षित प्रदर्शन करेंगे। यह कार्य इस बात पर प्रकाश डालता है कि परमाणुओं की सूक्ष्म, सामूहिक गतिविधियों को समझना उतना ही महत्वपूर्ण है जितना कि यह जानना कि वे एक दूसरे के बगल में कैसे बैठते हैं, एक ऐसा सबक जो भविष्य में अन्य जटिल सामग्रियों के सिमुलेशन करने के वैज्ञानिकों के तरीके को नया रूप दे सकता 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।