Machine learning prediction of hydrogen sorption properties of zirconium-titanium based C14 Laves phase AB 2 alloy from chemical composition
यह अध्ययन प्रदर्शित करता है कि मौलिक परमाणु प्रतिशत पर प्रशिक्षित मशीन लर्निंग मॉडल Zr–Ti-आधारित C14 लैव्स फेज AB2 मिश्र धातुओं के प्रमुख हाइड्रोजन सोरप्शन गुणों की प्रभावी ढंग से भविष्यवाणी कर सकते हैं, जिससे यूनिट सेल वॉल्यूम के लिए उच्च सटीकता और साम्यावस्था दबाव (equilibrium pressure) के लिए मध्यम सटीकता प्राप्त होती है, जिससे हाइड्रोजन भंडारण सामग्री के डिजाइन में तेजी आती है।
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
हाइड्रोजन एक स्वच्छ ईंधन है जो बिना प्रदूषण के जलता है, लेकिन इसे संग्रहीत करना एक कठिन इंजीनियरिंग समस्या है। क्योंकि हाइड्रोजन ब्रह्मांड का सबसे हल्का तत्व है, इसलिए जब तक इसे कसकर दबाया न जाए, यह बहुत अधिक स्थान घेरता है। इसे हल करने का एक तरीका हाइड्रोजन परमाणुओं को एक धातु की क्रिस्टल संरचना के भीतर फँसाना है, जिससे एक ठोस सामग्री बनती है जो गैस को सुरक्षित रूप से थामे रहती है। इन सामग्रियों को 'मेटल हाइड्राइड' कहा जाता है, जो हाइड्रोजन को वैसे ही सोख सकते हैं जैसे स्पंज पानी को सोखता है और आवश्यकता पड़ने पर इसे फिर से छोड़ सकते हैं। अध्ययन किए जा रहे धातुओं के कई प्रकारों में, AB2 मिश्र धातुओं (alloys) के एक विशिष्ट समूह ने बड़ी संभावना दिखाई है। ये दो अलग-अलग धातुओं के मिश्रण हैं जो एक कठोर, दोहराव वाले पैटर्न का निर्माण करते हैं जिसे क्रिस्टल लैटिस (crystal lattice) कहा जाता है। जब हाइड्रोजन इस लैटिस में प्रवेश करता है, तो यह पैटर्न के आकार और गैस को थामे रखने के लिए आवश्यक ऊर्जा को बदल देता है। वैज्ञानिकों को यह जानने की आवश्यकता है कि ये परिवर्तन ठीक कैसे होते हैं ताकि वे बेहतर बैटरी और ईंधन टैंकों को डिजाइन कर सकें, लेकिन प्रयोगशाला में धातुओं के हर संभावित संयोजन का परीक्षण करना धीमा, महंगा और अक्सर हर सैद्धांतिक मिश्रण के लिए असंभव होता है।
इस खोज प्रक्रिया को तेज करने के लिए, इंडोनेशिया, मलेशिया और क्रोएशिया के शोधकर्ताओं ने एक अलग तरह के उपकरण की ओर रुख किया: मशीन लर्निंग। हर प्रयोग के लिए धातुओं को भट्टी में पिघलाने के बजाय, उन्होंने कंप्यूटर को इन मिश्र धातुओं के व्यवहार की भविष्यवाणी करना सिखाया, जो उनके रासायनिक गठन पर आधारित हो। टीम ने विशेष रूप से जिरकोनियम और टाइटेनियम से बनी मिश्र धातुओं के एक परिवार पर ध्यान केंद्रित किया, जो एक हेक्सागोनल क्रिस्टल संरचना बनाते हैं जिसे C14 लैव्स फेज (Laves phase) कहा जाता है। उन्होंने पिछले वैज्ञानिक अध्ययनों से डेटा का एक विशाल संग्रह एकत्र किया, जिसमें 244 विभिन्न मिश्र धातु व्यंजनों (recipes) की जानकारी संकलित की गई। प्रत्येक व्यंजन के लिए, उन्हें पता था कि कौन से तत्व मौजूद थे और उनकी मात्रा कितनी थी, साथ ही उनके परिणामी भौतिक गुण भी ज्ञात थे: हाइड्रोजन को अवशोषित करने पर क्रिस्टल संरचना कितनी विस्तारित हुई, इस प्रक्रिया के दौरान कितनी ऊष्मा उत्सर्जित हुई, कितनी अव्यवस्था (disorder) पैदा हुई, और वह दबाव क्या था जिस पर हाइड्रोजन स्थिर हुआ।
शोधकर्ता यह देखना चाहते थे कि क्या वे केवल सामग्रियों की सूची देखकर इन चार प्रमुख परिणामों की भविष्यवाणी कर सकते हैं। उन्होंने इस जानकारी को कंप्यूटर को देने के दो अलग-अलग तरीकों का परीक्षण किया। पहले तरीके में प्रत्येक तत्व के कच्चे प्रतिशत का उपयोग किया गया, जैसे कि "10 प्रतिशत टाइटेनियम" या "5 प्रतिशत मैंगनीज"। दूसरे तरीके में गणना किए गए भौतिक गुणों का उपयोग किया गया, जो उन सामग्रियों से प्राप्त होते हैं, जैसे कि परमाणुओं का औसत आकार, सामग्री का घनत्व, और दो मुख्य धातु प्रकारों का अनुपात। उन्होंने इस डेटा पर पांच अलग-अलग प्रकार के कंप्यूटर एल्गोरिदम को प्रशिक्षित किया, जानकारी को इस तरह विभाजित किया कि कंप्यूटर अधिकांश उदाहरणों से सीख सके और फिर उन उदाहरणों पर परीक्षण किया जा सके जिन्हें उसने पहले कभी नहीं देखा था। इस दृष्टिकोण ने उन्हें यह आंकने की अनुमति दी कि कंप्यूटर एक नए, अनदेखे मिश्र धातु के गुणों का कितनी अच्छी तरह से अनुमान लगा सकता है।
परिणामों ने सामग्रियों का वर्णन करने के तरीके में एक स्पष्ट विजेता दिखाया। जब कंप्यूटर को भौतिक गुणों के बजाय तत्वों के सरल प्रतिशत दिए गए, तो उसका प्रदर्शन काफी बेहतर रहा। क्रिस्टल यूनिट सेल (वह छोटा बॉक्स जो धातु बनाने के लिए दोहराता है) के आकार की भविष्यवाणी करने के मामले में, तत्वों के प्रतिशत का उपयोग करने वाला मॉडल असाधारण रूप से सटीक था। एक सरल लीनियर मॉडल, जो डेटा बिंदुओं के बीच सीधी रेखा वाले संबंधों की तलाश करता है, ने टेस्ट सेट पर 0.955 का स्कोर प्राप्त किया, जिसका अर्थ है कि वह क्रिस्टल के आकार की बहुत उच्च सटीकता के साथ भविष्यवाणी कर सकता है। यह सुझाव देता है कि क्रिस्टल का आकार काफी हद तक उसके अंदर मौजूद परमाणुओं के सीधे औसत आकार द्वारा निर्धारित होता है। इसके विपरीत, अधिक जटिल भौतिक गुणों का उपयोग करने वाले मॉडल समान स्तर की सटीकता तक पहुँचने में संघर्ष करते दिखे, जो यह दर्शाता है कि वे गणना किए गए नंबर कुछ विशिष्ट विवरणों को छिपा सकते हैं।
हालाँकि, अन्य गुणों के लिए कहानी अलग थी। हाइड्रोजन के अवशोषण के दौरान निकलने वाली ऊष्मा की भविष्यवाणी करना बहुत कठिन साबित हुआ। सर्वश्रेष्ठ मॉडल भी डेटा की भिन्नता के लगभग आधे हिस्से को ही पकड़ सके, जिससे पता चलता है कि अवशोषण की ऊष्मा सूक्ष्म इलेक्ट्रॉनिक और संरचनात्मक कारकों पर निर्भर करती है जिसे केवल सामग्रियों की एक साधारण सूची पूरी तरह से स्पष्ट नहीं कर सकती। एंट्रॉपी (entropy) की भविष्यवाणी करना, जो धातु में हाइड्रोजन के प्रवेश के समय उत्पन्न होने वाली अव्यवस्था या यादृच्छिकता को मापता है, सबसे कठिन कार्य था। अधिकांश कंप्यूटर मॉडल केवल हर नए मिश्र धातु के लिए औसत मान का अनुमान लगाने से भी खराब प्रदर्शन करते थे, जो यह दर्शाता है कि वर्तमान डेटा में उन जटिल कंपनों और व्यवस्थाओं को समझने के लिए पर्याप्त जानकारी नहीं है जो इस गुण को नियंत्रित करते हैं।
इक्विलिब्रियम प्रेशर (equilibrium pressure), जो वह बल है जिस पर हाइड्रोजन धातु के भीतर सहजता से रहता है, मध्यम सफलता दिखाता है। कंप्यूटर इस मान की काफी अच्छी तरह से भविष्यवाणी कर सकता था, विशेष रूप से जब तत्वों के प्रतिशत का उपयोग किया गया। दिलचस्प बात यह है कि शोधकर्ताओं ने दबाव और क्रिस्टल सेल के आकार के बीच एक मजबूत संबंध पाया: जैसे-जैसे क्रिस्टल बॉक्स बड़ा होता गया, हाइड्रोजन को थामने के लिए आवश्यक दबाव कम होता गया। यह भौतिक रूप से तर्कसंगत है क्योंकि धातु के भीतर बड़ा स्थान होने से हाइड्रोजन परमाणुओं का फिट होना आसान हो जाता है, जिससे उन्हें वहां डालने के लिए कम दबाव की आवश्यकता होती है। अध्ययन इस निष्कर्ष पर पहुँचता है कि जबकि मशीन लर्निंग इन हाइड्रोजन भंडारण सामग्रियों को डिजाइन करने के लिए एक शक्तिशाली उपकरण है, यह संरचनात्मक गुणों जैसे आकार के लिए सबसे अच्छा काम करती है। ऊष्मा और अव्यवस्था जैसे अधिक जटिल थर्मोडायनामिक व्यवहारों के लिए, वैज्ञानिकों को कंप्यूटर द्वारा विश्वसनीय रूप से भविष्यवाणी करने से पहले सामग्रियों का वर्णन करने के स्मार्ट तरीके विकसित करने की आवश्यकता होगी। यह कार्य एक स्पष्ट मार्ग प्रदान करता है, जो दिखाता है कि जब ऊर्जा को संग्रहीत करने के तरीके का पूर्वानुमान लगाने की बात आती है, तो एक मिश्र धातु की सटीक रेसिपी जानना उसके व्युत्पन्न भौतिक लक्षणों को जानने की तुलना में अक्सर अधिक उपयोगी होता 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।