Physics-Informed Deep Neural Operator for Estimation of kinetic parameters in distributed activation energy model for parallel reaction systems
यह शोध पत्र एक फिजिक्स-इन्फॉर्म्ड डीप न्यूरल ऑपरेटर (PI-DeepONet) प्रस्तुत करता है जो नेटवर्क आर्किटेक्चर में सीधे काइनेटिक नियमों को समाहित करके मल्टी-स्टेप पैरेलल रिएक्शन सिस्टम के लिए काइनेटिक मापदंडों का कुशलतापूर्वक और सटीक रूप से अनुमान लगाता है, जिससे पूर्व धारणाओं की आवश्यकता के बिना जटिल पायरोलिसिस प्रक्रियाओं के विश्वसनीय ऑनलाइन विश्लेषण को सक्षम बनाया जा सके।
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
जब वैज्ञानिक यह समझना चाहते हैं कि कोई पदार्थ गर्मी के प्रभाव में कैसे टूटता है, तो वे अक्सर थर्मोग्रैविमेट्रिक विश्लेषण (thermogravimetric analysis) नामक तकनीक का सहारा लेते हैं। कल्पना कीजिए कि एक भट्टी के भीतर एक तराजू पर किसी पदार्थ का एक छोटा सा नमूना रखा गया है और धीरे-धीरे तापमान बढ़ाया जा रहा है। जैसे-जैसे पदार्थ गर्म होता है, वह गैसें छोड़ता है और वजन कम करता है। हर डिग्री पर कितना द्रव्यमान (mass) कम हुआ है, इसका सटीक हिसाब रखकर, शोधकर्ता पदार्थ के अपघटन (decomposition) की कहानी देख सकते हैं। सरल पदार्थों के लिए, यह कहानी सीधी होती है, लेकिन लकड़ी, कोयला या प्लास्टिक जैसे जटिल पदार्थों के लिए, यह प्रक्रिया एक साथ होने वाली कई रासायनिक प्रतिक्रियाओं का एक उलझा हुआ जाल होती है। इसे समझने के लिए, वैज्ञानिक गणितीय मॉडलों का उपयोग करते हैं जो इन प्रतिक्रियाओं की गति और ऊर्जा का वर्णन करने का प्रयास करते हैं। चुनौती लंबे समय से उन विशिष्ट संख्याओं को निर्धारित करने में रही है जो इन मॉडलों को संचालित करती हैं। पारंपरिक तरीकों में अक्सर प्रतिक्रिया वक्र (reaction curve) के आकार का पहले से अनुमान लगाने या धीमी, दोहराव वाली गणनाओं को चलाने की आवश्यकता होती है जो फंस सकती हैं या वास्तविक उत्तर खोजने में विफल हो सकती हैं, विशेष रूप से तब जब दर्जनों प्रतिक्रियाएं एक-दूसरे के ऊपर आ रही हों।
नॉर्थवेस्ट इंस्टीट्यूट ऑफ न्यूक्लियर टेक्नोलॉजी, चीन के शोधकर्ताओं की एक टीम ने भौतिकी के नियमों को समझने के लिए डिज़ाइन किए गए एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस पहेली को सुलझाने का एक नया तरीका विकसित किया है। अनुमान लगाने या अंतहीन गणनाओं में जूझने के बजाय, उनकी विधि सीधे वजन घटने की कहानी को पढ़ना सीखती है और तुरंत वैज्ञानिकों को उन छिपे हुए नंबरों के बारे में बता देती है जिनके कारण ऐसा हुआ। उन्होंने इस दृष्टिकोण को एक विशिष्ट मॉडल पर लागू किया जिसे 'डिस्ट्रिब्यूटेड एक्टिवेशन एनर्जी मॉडल' (distributed activation energy model) के रूप में जाना जाता है, जो एक जटिल पदार्थ को ऐसे मानता है जैसे कि वह कई छोटे, स्वतंत्र हिस्सों से बना हो, जिनमें से प्रत्येक अपनी गति और ऊर्जा स्तर पर टूट रहा हो। शोधकर्ताओं ने एक न्यूरल नेटवर्क बनाया, जो मानव मस्तिष्क से प्रेरित एक कंप्यूटर प्रणाली है, जिसे द्रव्यमान हानि के वक्र और अंतर्निहित रासायनिक मापदंडों (parameters) के बीच के संबंध को पहचानने के लिए प्रशिक्षित किया गया था। महत्वपूर्ण बात यह है कि उन्होंने केवल कंप्यूटर को अनुमान लगाने के लिए नहीं छोड़ा; उन्होंने कंप्यूटर को प्रशिक्षण के दौरान रसायन विज्ञान के भौतिक नियमों का पालन करने के लिए मजबूर किया। इसका अर्थ यह है कि सिस्टम ने न केवल पैटर्नों को पहचानना सीखा, बल्कि यह भी समझा कि उसके द्वारा अनुमानित संख्याएँ वास्तव में प्रतिक्रिया के समीकरणों में वापस डालने पर देखे गए वजन घटाव को उत्पन्न करनी चाहिए।
टीम ने इस नए उपकरण का परीक्षण दो अलग-अलग परिदृश्यों पर किया: एक सरल मामला जिसमें केवल एक प्रतिक्रिया थी और एक अधिक कठिन मामला जिसमें दो प्रतिक्रियाएं एक साथ हो रही थीं। कंप्यूटर सिमुलेशन में, यह प्रणाली उल्लेखनीय रूप से सटीक सिद्ध हुई। समय के साथ पदार्थ ने अपना द्रव्यमान कैसे खोया, यह दिखाने वाले वक्र को दिए जाने पर, नेटवर्क ने प्रतिक्रियाओं के विशिष्ट ऊर्जा और गति कारकों की भविष्यवाणी अत्यंत सटीकता के साथ की, जो मूल डेटा के लगभग समान थी। नेटवर्क के भविष्यवाणियों द्वारा निर्मित पुनर्गठित वक्र (reconstructed curves), लक्ष्य वक्रों के ऊपर इतनी बारीकी से आए कि अंतर लगभग अदृश्य था, और सांख्यिकीय माप एक लगभग पूर्ण मिलान दर्शा रहे थे। यह केवल एक सैद्धांतिक अभ्यास नहीं था; शोधकर्ताओं ने फिर कैल्शियम ऑक्सालेट मोनोहाइड्रेट नामक एक पदार्थ के वास्तविक दुनिया के डेटा का उपयोग किया, जो एक ऐसा पदार्थ है जो स्पष्ट, अलग चरणों में टूटने के लिए जाना जाता है। जब उन्होंने इस वास्तविक पदार्थ के प्रयोगात्मक डेटा को अपने प्रशिक्षित नेटवर्क में डाला, तो सिस्टम ने अपघटन के पहले दो चरणों के लिए गतिज मापदंडों (kinetic parameters) की सफलतापूर्वक पहचान की। नेटवर्क द्वारा इन नंबरों के आधार पर अनुमानित द्रव्यमान हानि और प्रतिक्रिया गति के वक्र वास्तविक प्रयोगशाला मापों के साथ लगभग पूरी तरह से मेल खाते थे।
यह कार्य किस प्रकार महत्वपूर्ण है, यह इस बात पर निर्भर करता है कि यह वैज्ञानिकों के कार्यप्रवाह (workflow) को कैसे बदल देता है। पहले, जटिल, बहु-चरणीय प्रतिक्रियाओं से इन नंबरों को निकालना एक धीमी, पुनरावृत्ति वाली प्रक्रिया थी जो अक्सर यह धारणा लगाने पर निर्भर करती थी कि प्रतिक्रियाएं कैसे वितरित हैं। यह नई विधि उन धारणाओं की आवश्यकता को समाप्त कर देती है। एक बार नेटवर्क प्रशिक्षित हो जाने के बाद, यह प्रयोगात्मक डेटा के एक सेट को देख सकता है और बिना किसी और अनुकूलन (optimization) या अनुमान के तुरंत गतिज मापदंडों को आउटपुट कर सकता है। शोधकर्ताओं ने पाया कि यह विधि सरल और मध्यम रूप से जटिल प्रणालियों दोनों के लिए विश्वसनीय रूप से काम करती है, जो कच्चे प्रयोगात्मक डेटा से पदार्थ के व्यवहार की गहरी समझ तक एक तेज़ और सीधा मार्ग प्रदान करती है। जबकि वर्तमान अध्ययन उन सामग्रियों पर केंद्रित था जहाँ प्रतिक्रिया चरण स्पष्ट हैं, लेखकों का कहना है कि भविष्य के कार्यों को उन अधिक जटिल मिश्रणों को संबोधित करने की आवश्यकता होगी जहाँ प्रतिक्रिया शिखर (reaction peaks) बहुत अधिक ओवरलैप होते हैं। फिलहाल, हालांकि, यह भौतिकी-आधारित दृष्टिकोण जटिल सामग्रियों की थर्मल कहानियों को डिकोड करने के लिए एक मजबूत और कुशल उपकरण प्रदान करता है, जो कभी एक कठिन 'इनवर्स प्रॉब्लम' (inverse problem) हुआ करती थी, उसे एक सरल भविष्यवाणी में बदल देता 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।