Beyond DFT: Quantum Chaos and Neural Networks for 2D Material Device Design

आधुनिक इलेक्ट्रॉनिक्स सूचनाओं को संसाधित करने के लिए ट्रांजिस्टर नामक सूक्ष्म स्विचों पर निर्भर करते हैं। दशकों से, ये उपकरण सिलिकॉन से बनाए जाते रहे हैं, लेकिन जैसे-जैसे वे भौतिक दुनिया की सीमाओं तक सिकुड़ रहे हैं, वैज्ञानिक नए पदार्थों की ओर मुड़ रहे हैं जो केवल कुछ परमाणुओं जितने पतले हैं। इनमें से सबसे आशाजनक में से एक मोलिब्डेनम डाइसल्फाइड (molybdenum disulfide) है, जो एक पदार्थ है जो एक सपाट, मधुमक्खी के छत्ते जैसी शीट बनाता है। जब इसे ट्रांजिस्टर के रूप में आकार दिया जाता है, तो यह सामग्री उल्लेखनीय सटीकता के साथ बिजली के प्रवाह को नियंत्रित कर सकती है। हालाँकि, यह सटीक भविष्यवाणी करना कि अशुद्धियों के साथ डोप (doped) किए जाने या विद्युत क्षेत्रों के संपर्क में आने पर इन परमाणु परतों का व्यवहार कैसा होगा, अविश्वसनीय रूप से कठिन है। पारंपरिक कंप्यूटर विधियाँ जो प्रत्येक एकल परमाणु का अनुकरण (simulate) करने की कोशिश करती हैं, वे वास्तविक दुनिया के उपकरणों को डिजाइन करने के लिए उपयोगी होने के लिए बहुत धीमी और महंगी हैं, विशेष रूप से तब जब सामग्रियां पूर्ण क्रिस्टल नहीं होतीं बल्कि उनमें दोष और अनियमितताएं होती हैं।

इसे हल करने के लिए, शोधकर्ता एक अलग प्रकार के भौतिक विज्ञान और एक नए प्रकार की कंप्यूटर बुद्धिमत्ता की ओर मुड़ रहे हैं। वे क्वांटम केओस (quantum chaos) नामक एक अवधारणा का उपयोग कर रहे हैं, जो यह अध्ययन करता है कि ऊर्जा स्तर एक प्रणाली में कैसे व्यवहार करते हैं जब प्रणाली जटिल और अव्यवस्थित होती है, न कि पूरी तरह से व्यवस्थित। एक पूर्णतः व्यवस्थित प्रणाली में, ऊर्जा स्तर अनुमानित होते हैं और समान रूप से फैले होते हैं। एक अराजक (chaotic) प्रणाली में, वे एक विशिष्ट, सांख्यिकीय तरीके से एक-दूसरे को प्रतिकर्षित करते हैं। ऊर्जा स्तर कितने "अराजक" हैं, इसे मापकर, वैज्ञानिक यह बता सकते हैं कि पदार्थ में इलेक्ट्रॉन स्वतंत्र रूप से घूम रहे हैं या वे एक जगह स्थिर हैं। इंजीनियरिंग के लिए पर्याप्त तेज़ भविष्यवाणियां करने के लिए, शोधकर्ताओं ने इस सिद्धांत को एक न्यूरल नेटवर्क के साथ जोड़ा, जो एक प्रकार का कंप्यूटर प्रोग्राम है जिसे मानव मस्तिष्क के अनुभव से सीखने की तरह डेटा से पैटर्न सीखने के लिए डिज़ाइन किया गया है।

एक नए अध्ययन में, उर्मिया यूनिवर्सिटी ऑफ टेक्नोलॉजी, ईरान के शोधकर्ता शाहराम मेहरमानेश और सोहराब बेहनिया ने एक ऐसा सिस्टम बनाया है जो जटिल परमाणु सिद्धांत और व्यावहारिक उपकरण डिजाइन के बीच के अंतर को पाटता है। उन्होंने मोलिब्डेनम डाइसल्फाइड से बने एक विशिष्ट प्रकार के ट्रांजिस्टर पर ध्यान केंद्रित किया जिसे सेलेनियम परमाणुओं के साथ डोप किया गया है। डोपिंग एक मानक तकनीक है जहाँ सामग्री के विद्युत गुणों को बदलने के लिए कुछ बाहरी परमाणु जोड़े जाते हैं। टीम यह समझना चाहती थी कि वोल्टेज, सेलेनियम की मात्रा, तापमान और सामग्री के भौतिक आकार में बदलाव करके डिवाइस की स्थिरता कैसे बदलती है। हर संभावित संयोजन के लिए धीमी, भारी सिमुलेशन चलाने के बजाय, उन्होंने पहले विभिन्न स्थितियों के तहत सामग्री में ऊर्जा स्तरों के विस्थापन का वर्णन करने वाले डेटा का एक बड़ा सेट उत्पन्न करने के लिए क्वांटम केओस सिद्धांत का उपयोग किया। फिर उन्होंने इस डेटा को एक मल्टीलेयर पर्सेप्ट्रॉन (multilayer perceptron) में डाला, जो प्रसंस्करण नोड्स के कई स्तरों वाला एक विशिष्ट प्रकार का न्यूरल नेटवर्क है, ताकि इसे नए परिदृश्यों के परिणाम का तुरंत अनुमान लगाना सिखाया जा सके।

उनके काम के परिणाम प्रकट करते हैं कि इन सूक्ष्म ट्रांजिस्टरों की स्थिरता सामग्री का कोई निश्चित गुण नहीं है, बल्कि कुछ ऐसा है जिसे वातावरण द्वारा ट्यून किया जा सकता है। शोधकर्ताओं ने पाया कि इलेक्ट्रॉन का व्यवहार डिवाइस के आकार पर बहुत अधिक निर्भर करता है। बहुत छोटे नमूनों में, इलेक्ट्रॉन स्थानीयकृत (localized) रहने की प्रवृत्ति रखते हैं, जिसका अर्थ है कि वे विशिष्ट स्थानों पर फंसे रहते हैं, जो सिस्टम को एक व्यवस्थित, अनुमानित तरीके से व्यवहार करने के लिए प्रेरित करता है। हालाँकि, जैसे-जैसे डिवाइस बड़ा होता जाता है, इलेक्ट्रॉन अधिक स्वतंत्र रूप से चलने लगते हैं, और सिस्टम एक अराजक अवस्था की ओर बढ़ जाता है जहाँ ऊर्जा स्तर जटिल तरीकों से परस्पर क्रिया करते हैं। यह बदलाव यादृच्छिक नहीं है; शोधकर्ताओं ने एक सार्वभौमिक नियम की खोज की है जो सामग्री के आकार को व्यवस्था से अराजकता की ओर इस संक्रमण से सीधे जोड़ता है। उन्होंने पाया कि डिवाइस के भौतिक आयाम सबसे प्रमुख कारक हैं, जो अशुद्धि कितनी जोड़ी गई है इसके विशिष्ट विवरणों से भी अधिक प्रभावी हैं।

अध्ययन ने यह भी दिखाया कि सेलेनियम अशुद्धियों को जोड़ने से सामग्री का व्यवहार एक अनुमानित तरीके से बदल जाता है। कम सांद्रता पर, सेलेनियम परमाणु जाल (traps) के रूप में कार्य करते हैं जो इलेक्ट्रॉनों को एक जगह थामे रखते हैं, जिससे सिस्टम व्यवस्थित रहता है। लेकिन जैसे-जैसे सांद्रता बढ़ती है, ये परमाणु जुड़े हुए पथ बनाने लगते हैं, जिससे इलेक्ट्रॉन एक से दूसरे तक कूद पाते हैं। यह एक अचानक बदलाव पैदा करता है जहाँ सामग्री अधिक सुचालक हो जाती है और ऊर्जा स्तर अधिक अराजक हो जाते हैं। शोधकर्ताओं ने इन परिवर्तनों की भविष्यवाणी करने के लिए अपने प्रशिक्षित न्यूरल नेटवर्क का उपयोग किया। जब उन्होंने अपने मॉडल का परीक्षण उस डेटा के विरुद्ध किया जिसे उसने पहले कभी नहीं देखा था, तो इसने 93 प्रतिशत से अधिक बार डिवाइस के व्यवहार की सही भविष्यवाणी की। सटीकता का यह स्तर बताता है कि मॉडल ने प्रत्येक एकल परमाणु संपर्क की गणना शुरू से किए बिना सफलतापूर्वक अंतर्निहित भौतिकी को सीख लिया है।

उनके काम का एक व्यावहारिक निष्कर्ष यह है कि डिवाइस वोल्टेज के प्रति कैसे प्रतिक्रिया करता है। शोधकर्ताओं ने देखा कि एक विद्युत क्षेत्र लगाने से सिस्टम को अधिक व्यवस्थित अवस्था की ओर धकेला जा सकता है, जो अराजक व्यवहार को प्रभावी रूप से शांत कर देता है। यह उन ट्रांजिस्टरों को डिजाइन करने के लिए महत्वपूर्ण है जिन्हें विश्वसनीय रूप से चालू और बंद करने की आवश्यकता होती है। इसके अलावा, टीम ने डिवाइस के संचालन के एक विशिष्ट क्षेत्र की पहचान की जहाँ वोल्टेज बढ़ाने से वास्तव में करंट गिर जाता है, जिसे 'नेगेटिव डिफरेंशियल रेजिस्टेंस' (negative differential resistance) नामक घटना कहा जाता है। यह असामान्य व्यवहार, जो उनके सिमुलेशन में दिखाई देता है, भविष्य की संचार प्रौद्योगिकियों में उपयोग किए जाने वाले उच्च गति के ऑसिलेटर और स्विच बनाने के लिए अत्यधिक मूल्यवान है। तथ्य यह है कि उनका मॉडल इस जटिल, गैर-रैखिक प्रभाव की भविष्यवाणी कर सका, यह पुष्टि करता है कि यह सामग्री की वास्तविक भौतिकी को पकड़ता है।

यह कार्य प्रदर्शित करता है कि मशीन लर्निंग सामग्री विज्ञान के लिए एक शक्तिशाली उपकरण के रूप में कार्य कर सकती है, जिससे इंजीनियरों को धीमी, पारंपरिक गणनाओं की प्रतीक्षा किए बिना स्थिर और कुशल उपकरणों को डिजाइन करने की अनुमति मिलती है। क्वांटम केओस की गहरी सैद्धांतिक अंतर्दृष्टि को न्यूरल नेटवर्क की पैटर्न-पहचान की गति के साथ जोड़कर, शोधकर्ताओं ने एक ढांचा तैयार किया है जो तेजी से नए डिजाइनों का परीक्षण कर सकता है। उन्होंने दिखाया कि डिवाइस के आकार, डोपिंग की मात्रा और लागू वोल्टेज को सावधानीपूर्वक नियंत्रित करके, विशिष्ट आवश्यकताओं के लिए मोलिब्डेनम डाइसफ़ाइड के इलेक्ट्रॉनिक गुणों को इंजीनियर करना संभव है। हालांकि अध्ययन सिमुलेशन और सैद्धांतिक मॉडलों पर आधारित था, भविष्यवाणियों की उच्च सटीकता बताती है कि ये निष्कर्ष मजबूत हैं और अगली पीढ़ी के इलेक्ट्रॉनिक घटकों का मार्गदर्शन करने के लिए तैयार हैं। परमाणुओं के अराजक नृत्य को समझने से लेकर एक विश्वसनीय ट्रांजिस्टर बनाने तक का मार्ग अब काफी स्पष्ट हो गया है, जो नैनोस्केल की जटिलताओं को नेविगेट करने का एक नया तरीका प्रदान करता है।