🔬 physics

Integration of a Structural Coherence Model with a Semi-Universal Machine Learning Interatomic Potential to Predict Molten Salt Thermal Conductivity

यह शोध पत्र एक एकीकृत कार्यप्रणाली प्रस्तुत करता है जो पारंपरिक आणविक गतिकी (मॉलिक्यूलर डायनेमिक्स) सिमुलेशन की तुलना में बहुत कम गणनात्मक लागत पर, प्रयोगात्मक स्तर की सटीकता के साथ पिघले हुए लवणों (मोल्टन साल्ट्स) की तापीय चालकता की तेजी से भविष्यवाणी करने के लिए सुपरसॉल्ट (SuperSalt) मशीन-लर्निंग इंटरएटॉमिक पोटेंशियल को एक संरचनात्मक सुसंगतता मॉडल के साथ जोड़ती है।

मूल लेखक: Isaac Walker, Jacob Numbers, Nathan Burlett, Anthony Birri, Troy Munro

प्रकाशित 2026-07-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Isaac Walker, Jacob Numbers, Nathan Burlett, Anthony Birri, Troy Munro

मूल पेपर CC BY 4.0 (https://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

यहाँ शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

मुख्य विचार: "हीट हाईवे" (ऊष्मा राजमार्ग) की समस्या

कल्पना कीजिए कि आप पिघले हुए नमक (तरल चट्टान) से चलने वाला एक अत्यंत कुशल पावर प्लांट बनाने की कोशिश कर रहे हैं। यह सुनिश्चित करने के लिए कि प्लांट पिघल न जाए या ऊर्जा बर्बाद न हो, आपको ठीक-ठीक पता होना चाहिए कि उस तरल नमक के माध्यम से ऊष्मा (हीट) कितनी तेज़ी से चलती है। इस गुण को थर्मल कंडक्टिविटी (ऊष्मीय चालकता) कहा जाता है।

समस्या यह है कि हमारे पास कई प्रकार के नमक के लिए इस "हीट हाईवे" का कोई अच्छा नक्शा नहीं है।

पुराना तरीका (प्रयोग): लैब में इसे मापना ऐसा है जैसे तूफान के बीच से गुजर रही कार की गति को मापने की कोशिश करना। नमक अविश्वसनीय रूप से गर्म होता है, यह मापने वाले उपकरणों को गला देता है (संक्षारक/corrosive), और यह बताना मुश्किल होता है कि ऊष्मा नमक के माध्यम से चल रही है या बस उसमें घूम रही है।
कंप्यूटर का तरीका (मानक सिमुलेशन): वैज्ञानिक पहले यह अनुमान लगाने के लिए शक्तिशाली कंप्यूटर सिमुलेशन (मॉलिक्यूलर डायनेमिक्स) का उपयोग करते थे कि ऊष्मा कैसे चलती है। लेकिन यह इस बात को गिनने जैसा है कि लहर कितनी तेज़ी से चलती है यह जानने के लिए समुद्र तट पर रेत का हर एक कण गिनें। यह अविश्वसनीय रूप से सटीक है लेकिन इसमें इतना समय लगता है (दिन या सप्ताह) कि आप नमक के कई अलग-अलग नुस्खों (रेसिपी) का परीक्षण नहीं कर सकते।

नया समाधान: "स्मार्ट शॉर्टकट"

लेखकों ने एक नई विधि बनाई है जिसे ISM (इंटीग्रेटेड स्ट्रक्चरल कोहेरेंस मॉडल) कहा जाता है। इसे एक "स्मार्ट शॉर्टकट" के रूप में सोचें जो दो चीजों को जोड़ता है:

एक सुपर-ब्रेन (मशीन लर्निंग): उन्होंने एक अत्यधिक प्रशिक्षित AI (जिसे "सुपर साल्ट" कहा जाता है) का उपयोग किया है जिसने लाखों परमाणु अंतःक्रियाओं (atomic interactions) का अध्ययन किया है। यह जानता है कि नमक के परमाणु कैसे व्यवहार करते हैं, बिना उनके जीवन के हर एक सेकंड का सिमुलेशन किए।
एक ट्रैफिक मॉडल (स्ट्रक्चरल कोहेरेंस): हर परमाणु को ट्रैक करने के बजाय, उन्होंने एक ऐसा मॉडल इस्तेमाल किया जो परमाणुओं के "ट्रैफिक पैटर्न" को देखता है। यह पूछता है: "भीड़ कितनी संगठित है? एक ऊष्मा तरंग (heat wave) भ्रमित होने या बिखरने से पहले कितनी दूर तक जा सकती है?"

यह कैसे काम करता है: तीन सामग्रियाँ

ऊष्मा कितनी तेज़ी से चलती है, इसका अनुमान लगाने के लिए, नई विधि तीन विशिष्ट चीजों की गणना करती है, जिन्हें वे एक रेसिपी की तरह आपस में मिलाते हैं:

ऊर्जा क्षमता (हीट कैपेसिटी): नमक कितनी "ईंधन" (ऊर्जा) रख सकता है?
- उदाहरण: कार में गैस टैंक कितना बड़ा है?
गति सीमा (ध्वनि की गति/स्पीड ऑफ साउंड): परमाणु कितनी तेज़ी से कंपन करते हैं?
- उदाहरण: हाईवे पर स्पीड लिमिट क्या है?
सड़क की लंबाई (मीन फ्री पाथ): एक कंपन किसी बाधा या दूसरे प्रकार के परमाणु से टकराने और रुकने से पहले कितनी दूर तक जा सकता है?
- उदाहरण: ट्रैफिक जाम में फंसने से पहले सीधा रास्ता कितना लंबा है?

AI (सुपर साल्ट) तेज़ी से पहली दो चीजें निकाल लेता है। "ट्रैफिक मॉडल" (SCM) परमाणुओं के एक स्नैपशॉट को देखकर तीसरी चीज़ का पता लगाता है। जब आप इन तीनों को गुणा करते हैं, तो आपको थर्मल कंडक्टिविटी प्राप्त होती है।

परिणाम: तेज़ और काफी हद तक सटीक

शोध पत्र का दावा है कि यह नई विधि गति के मामले में एक बड़ा सुधार है:

पुराना तरीका: एक नमक मिश्रण के लिए हीट फ्लो का अनुमान लगाने में सुपरकंप्यूटर पर लगभग 60 घंटे लगते थे।
नया तरीका: उसी कंप्यूटर पर लगभग 3 घंटे लगता है।
उदाहरण: यह शहर का नक्शा हाथ से बनाने के बजाय GPS का उपयोग करने जैसा है जो तुरंत रास्ता निकाल लेता है।

सटीकता की जाँच:

साधारण लवणों (जैसे शुद्ध साधारण नमक या पोटेशियम क्लोराइड) के लिए, नई विधि प्रायोगिक डेटा से बहुत अच्छी तरह मेल खाती है।
जटिल मिश्रणों (जैसे नमक में मैग्नीशियम मिलाना) के लिए, विधि तेज़ तो है लेकिन कभी-कभी "स्पीड लिमिट" को गलत बताती है। लेखक स्वीकार करते हैं कि इन पेचीदा मिश्रणों के लिए, AI कभी-कभी यह सोच लेता है कि परमाणु वास्तव में चल रहे होने की तुलना में धीमे चल रहे हैं, जिससे हीट प्रेडिक्शन थोड़ा कम हो जाता है।

"बिग" साल्ट टेस्ट

यह साबित करने के लिए कि उनका तरीका जटिल स्थितियों में भी काम करता है, उन्होंने एक "हाई एंट्रॉपी" नमक का परीक्षण किया—एक ऐसा मिश्रण जिसमें 11 अलग-अलग प्रकार के धातु परमाणु शामिल हैं (जैसे 11 अलग-अलग फलों का स्मूदी)।

चुनौती: यह एक अराजक (chaotic) मिश्रण है। आमतौर पर, कंप्यूटर इस तरह की अराजकता को संभालने में संघर्ष करते हैं या बहुत अधिक समय लेते हैं।
परिणाम: नए तरीके ने इसे साधारण नमक की तरह ही तेज़ी से संभाला। यह साबित करता है कि यह विधि स्केलेबल है और रेसिपी जटिल होने पर धीमी नहीं होती है।

उन्होंने तापमान के बारे में क्या पाया

उन्होंने भी यह अनुमान लगाने की कोशिश की कि जैसे-जैसे नमक गर्म होता है, हीट फ्लो कैसे बदलता है। उन्होंने उच्च तापमान पर हीट फ्लो का अनुमान लगाने के लिए एक गणितीय "स्केलिंग नियम" (GTDF) का उपयोग किया, जो केवल मेल्टिंग पॉइंट (पिघलने के बिंदु) पर एक माप के आधार पर काम करता है।

निष्कर्ष: स्केलिंग नियम साधारण लवणों के लिए ठीक था, लेकिन यह सभी तापमानों के लिए वास्तविक दुनिया के डेटा से पूरी तरह मेल नहीं खाया। लेखकों का सुझाव है कि हालांकि यह शॉर्टकट बेहतरीन है, फिर भी हमें "तापमान डायल" को फाइन-ट्यून करने के लिए कुछ और प्रयोग करने की आवश्यकता है।

सारांश

यह शोध पत्र एक नया, सुपर-फास्ट तरीका प्रस्तुत करता है जिससे यह अनुमान लगाया जा सकता है कि पिघले हुए नमक ऊष्मा का संचालन कितनी अच्छी तरह करते हैं। हर परमाणु की एक विस्तृत फिल्म चलाने के बजाय, यह परमाणुओं के "ट्रैफिक पैटर्न" को देखने के लिए एक स्मार्ट AI का उपयोग करता है।

गति: यह पिछले सर्वोत्तम कंप्यूटर तरीकों की तुलना में 20 गुना तेज़ है।
सटीकता: यह आम तौर पर बहुत अच्छी है, हालांकि यह मैग्नीशियम वाले विशिष्ट जटिल मिश्रणों के साथ थोड़ा संघर्ष करती है।
लक्ष्य: यह इंजीनियरों को भविष्य के परमाणु ऊर्जा संयंत्रों के लिए सबसे सुरक्षित और कुशल नमक के हजारों अलग-अलग नुस्खों का परीक्षण करने की अनुमति देता है, बिना कंप्यूटर परिणामों के लिए महीनों इंतज़ार किए।

तकनीकी सारांश: पिघले हुए लवणों (Molten Salts) की तापीय चालकता (Thermal Conductivity) की भविष्यवाणी करने के लिए एक संरचनात्मक सुसंगतता मॉडल (Structural Coherence Model) को एक अर्ध-सार्वभौमिक मशीन लर्निंग इंटरएटोमिक पोटेंशियल (Machine Learning Interatomic Potential) के साथ एकीकृत करना

समस्या विवरण
पिघले हुए लवणों (विशेष रूप से मोल्टन साल्ट रिएक्टर्स - MSRs) का उपयोग करने वाली ऊर्जा उत्पादन प्रणालियों के सटीक डिजाइन और सुरक्षित संचालन के लिए, कम अनिश्चितता के साथ ऊष्मीय गुणों (thermophysical properties) का सटीक लक्षण वर्णन आवश्यक है। जबकि नाइट्रेट लवणों का अच्छी तरह से लक्षण वर्णन किया गया है, हैलाइड लवण (क्लोराइड और फ्लोराइड) अपने उच्च गलनांक, संक्षारकता और संरचनात्मक जटिलता के कारण महत्वपूर्ण चुनौतियां पेश करते हैं। तापीय चालकता ( $k$ ) के लिए प्रयोगात्मक डेटा दुर्लभ है; उदाहरण के लिए, मोल्टन साल्ट डेटाबेस में 976 लवण संरचनाओं में से केवल 32 में तापीय चालकता के मापन दर्ज हैं, जिनका औसत अनिश्चितता स्तर 18% है।

डेटा अंतराल को भरने के लिए मौजूदा कम्प्यूटेशनल विधियां ट्रेड-ऑफ (trade-offs) का सामना करती हैं। अनुभवजन्य क्षमता वाले शास्त्रीय आणविक गतिकी (Classical Molecular Dynamics - MD) अक्सर जटिल लवणों के लिए आवश्यक सटीकता की कमी रखते हैं, जबकि एब इनिटियो एमडी (AIMD) और तापीय चालकता के लिए मानक एमडी विधियां (ग्रीन-कुबो, नॉन-इक्विलिब्रियम एमडी) बड़े सिस्टम या लंबे समय के पैमाने के लिए अत्यधिक गणनात्मक रूप से कठिन (computationally prohibitive) हैं। इसके अलावा, काइनेटिक थ्योरी मॉडल (KTM) जैसे विश्लेषणात्मक मॉडल अक्सर ऊर्जा वाहक माध्य मुक्त पथ (mean free paths) के संबंध में अत्यधिक सरलीकृत धारणाओं पर निर्भर करते हैं, जिससे वे कम भविष्यवाणी (underpredictions) करते हैं। विविध लवण संरचनाओं में तापीय चालकता की भविष्यवाणी करने के लिए प्रथम-सिद्धांत सिमुलेशन (first-principles simulations) की सटीकता और विश्लेषणात्मक मॉडलों की कम्प्यूटेशनल दक्षता के बीच के अंतर को पाटने वाली एक कार्यप्रणाली की तत्काल आवश्यकता है।

कार्यप्रणाली: एकीकृत SCM-MLIP (ISM) दृष्टिकोण
लेखक एक एकीकृत स्ट्रक्चरल कोहेरेंस और मशीन लर्निंग इंटरएटोमिक पोटेंशियल (ISM) वर्कफ़्लो प्रस्तावित करते हैं। यह दृष्टिकोण एक अर्ध-सार्वभौमिक मशीन लर्निंग इंटरएटोमिक पोटेंशियल (MLIP), विशेष रूप से "सुपर साल्ट" (SuperSalt), को एक सामान्यीकृत काइनेटिक थ्योरी पर आधारित स्ट्रक्चरल कोहेरेंस मॉडल (SCM) के साथ जोड़ता है।

यह वर्कफ़्लो गलनांक तापमान ( $k_{Tm}$ ) पर तापीय चालकता की भविष्यवाणी करता है:
$k = \frac{1}{3} C_p v_s \ell_{sc}$
जहाँ $C_p$ आयतनिक ऊष्मा क्षमता (volumetric heat capacity) है, $v_s$ एडियाबेटिक ध्वनि की गति (adiabatic speed of sound) है, और $\ell_{sc}$ संरचनात्मक सुसंगतता लंबाई (structural coherence length) है (जो पारंपरिक माध्य मुक्त पथ का स्थान लेती है)।

ISM वर्कफ़्लो इस प्रकार आगे बढ़ता है:

घनत्व भविष्यवाणी (Density Prediction): यदि प्रयोगात्मक डेटा उपलब्ध है तो रेडलिच-किस्टर (Redlich-Kister) मॉडल का उपयोग करके घनत्व ( $\rho$ ) की गणना की जाती है, अन्यथा घनत्व के लिए सुपर साल्ट MD सिमुलेशन का उपयोग किया जाता है, क्योंकि घनत्व $C_p$ और $v_s$ के लिए एक महत्वपूर्ण इनपुट है।
गुण जनरेशन (Property Generation) वाया सुपर साल्ट MD: सुपर साल्ट MLIP (एक मल्टी-लेयर एटोमिक क्लस्टर एक्सपेंशन न्यूरल नेटवर्क) का उपयोग करते हुए, मॉडल निम्नलिखित को निर्धारित करने के लिए समानांतर MD सिमुलेशन चलाता है:
- आयतनिक ऊष्मा क्षमता ( $C_p$ ): NPT एन्सेम्बल में तापमान स्वैप के दौरान एन्थैल्पी परिवर्तनों से व्युत्पन्न।
- एडियाबेटिक ध्वनि की गति ( $v_s$ ): ब्राइक के स्ट्रेस फ्लक्चुएशन मेथड का उपयोग करके गणना की गई, जो विरियल स्ट्रेस (virial stress) के विचरण को ध्वनि की गति से जोड़ती है।
- पार्शियल पेयर डिस्ट्रीब्यूशन फंक्शन (pPDF): पिघले हुए लवण के अल्प-दूरी के क्रम (short-range order) को चित्रित करने के लिए उत्पन्न किया गया।
- आइसोथर्मल बल्क मॉड्यूलस ( $K_T$ ): तापमान एक्सट्रपलेशन (extrapolation) का समर्थन करने के लिए गणना की गई।
संरचनात्मक सुसंगतता लंबाई ( $\ell_{sc}$ ): pPDF का विश्लेषण SCM एल्गोरिदम का उपयोग करके किया जाता है। यह मॉडल डेकोहेरेंस कारकों (decoherence factors) का मूल्यांकन करके संरचनात्मक सुसंगतता की डिग्री को मापता है, जिसमें एक फोनन ट्रांसफर फैक्टर ( $b_{PH}$ ) शामिल है जो विषम धनायन-ऋणायन श्रृंखलाओं के बीच कंपन ऊर्जा हस्तांतरण के व्यवधान को ध्यान में रखता है।
तापमान एक्सट्रपलेशन (Temperature Extrapolation): गलनांक से ऊपर के तापमान पर $k$ की भविष्यवाणी करने के लिए, मॉडल गेरिबी के टेम्परेचर डिपेंडेंस फंक्शन (GTDF) का उपयोग करता है, जो $C_p$ , $K_T$ और थर्मल विस्तार गुणांक ( $\alpha$ ) से प्राप्त ग्रुनेसेन पैरामीटर (Gruneisen parameter) का उपयोग करके $k_{Tm}$ का एक्सट्रपलेशन करता है।

प्रमुख योगदान और परिणाम

कम्प्यूटेशनल दक्षता: ISM मॉडल उसी सुपर साल्ट पोटेंशियल का उपयोग करके RNEMD की तुलना में कम्प्यूटेशनल लागत में महत्वपूर्ण कमी प्राप्त करता है। एक पूर्ण ISM भविष्यवाणी लेने में तीन H200 GPU पर लगभग 3 घंटे लगते हैं, जबकि एक समकक्ष RNEMD सिमुलेशन को एक एकल GPU पर औसतन 60 घंटे की आवश्यकता होती है। यह 1–2 ऑर्डर ऑफ मैग्नीट्यूड की गति (speedup) का प्रतिनिधित्व करता है।
सटीकता और सत्यापन:
- मॉडल का परीक्षण यूनरी साल्ट्स, बाइनरी मिश्रणों (NaCl-KCl, MgCl $_2$ -KCl) और टर्नरी मिश्रणों पर किया गया।
- यूनरी साल्ट्स और कुछ मिश्रणों के लिए, ISM भविष्यवाणियाँ प्रयोगात्मक डेटा और पिछले SCM भविष्यवाणियों के साथ निकटता से मेल खाती हैं।
- NaCl-KCl: मॉडल संरचनाओं के माध्यम से रुझानों (trends) को सफलतापूर्वक पकड़ता है, लेकिन यूटेक्टिक बिंदु पर तापीय चालकता में एक न्यूनतम (minimum) की भविष्यवाणी करता है जो प्रयोगात्मक अवलोकनों की तुलना में अधिक गहरा है। यह विसंगति फोनन ट्रांसफर फैक्टर ( $b_{PH}$ ) के कारण है, जो समान आयन द्रव्यमान वाले मिश्रणों में डेकोहेरेंस को बढ़ा सकता है।
- MgCl $_2$ -KCl: मॉडल Mg-युक्त लवणों के लिए कुछ साहित्य मूल्यों (जैसे गेरिबी के EMD भविष्यवाणियों) की तुलना में कम एडियाबेटिक ध्वनि की गति ( $v_s$ ) की भविष्यवाणी करता है, जिससे कम $k$ भविष्यवाणियां होती हैं। लेखक सुझाव देते हैं कि यह MLIP की विफलता के बजाय Mg $^{2+}$ कॉम्प्लेक्स के अद्वितीय इंटरमीडिएट-रेंज ऑर्डर को दर्शा सकता है।
- हाई-एंट्रॉपी मिश्रण: मॉडल को एक काल्पनिक 11-कैटियन "बिग" साल्ट पर लागू किया गया। हालांकि भविष्यवाणियाँ तर्कसंगत थीं, $v_s$ में उच्च विचरण देखा गया, जो बताता है कि अत्यधिक अव्यवस्थित प्रणालियों को अधिक सिमुलेशन ट्रायल या बड़े सिस्टम साइज की आवश्यकता हो सकती है।
तापमान निर्भरता: GTDF एक्सट्रपलेशन ने KCl के लिए डिस्क्रीट ISM भविष्यवाणियों के साथ करीबी सहमति दिखाई, लेकिन प्रयोगात्मक सहसंबंधों की तुलना में अधिक मजबूत तापमान निर्भरता ढलान (slope) प्रदर्शित किया, जो तापमान स्केलिंग तंत्र के और अधिक शोधन (refinement) की आवश्यकता को दर्शाता है।

महत्व और दावे
लेखक ISM कार्यप्रणाली को एक प्रूफ ऑफ कॉन्सेप्ट के रूप में प्रस्तुत करते हैं, जो यह प्रदर्शित करता है कि एक संरचनात्मक सुसंगतता मॉडल को अर्ध-सार्वभौमिक MLIPs के साथ एकीकृत करने से पारंपरिक MD विधियों की तुलना में बहुत कम कम्प्यूटेशनल लागत पर पिघले हुए लवणों की तापीय चालकता की भविष्यवाणी की जा सकती है।

लेखक दावा करते हैं कि यह दृष्टिकोण विभिन्न प्रकार की लवण संरचनाओं के व्यवस्थित अध्ययन को सक्षम बनाता है, जिसमें एक्टिनाइड्स या जटिल हाई-एंट्रॉपी मिश्रण शामिल हैं जहाँ प्रयोगात्मक डेटा की कमी है। कम्प्यूटेशनल बाधा को कम करके, ISM मॉडल उन थर्मोफिजिकल प्रॉपर्टी डेटाबेस को भरने का मार्ग प्रशस्त करता है जो बिजली उत्पादन प्रणालियों में मोल्टन साल्ट के सुरक्षित कार्यान्वयन के लिए आवश्यक हैं। वे वर्तमान सीमाओं के संबंध में विनम्र बने हुए हैं, विशेष रूप से मैग्नीशियम-युक्त लवणों के लिए ध्वनि की गति के भविष्यवाणियों में विचरण और मिश्रित धनायन प्रणालियों में कंपन ऊर्जा हस्तांतरण की बारीकियों को बेहतर ढंग से पकड़ने के लिए फोनन ट्रांसफर फैक्टर ( $b_{PH}$ ) के और अधिक शोधन की आवश्यकता को नोट करते हैं। कार्य इस निष्कर्ष के साथ समाप्त होता है कि हालांकि मॉडल एक महत्वपूर्ण कदम है, फिर भी तापीय चालकता और ध्वनि की गति के मापन में अनिश्चितताओं को हल करने के लिए लक्षित प्रयोगात्मक और कम्प्यूटेशनल अध्ययन की आवश्यकता है।