पुराने दिनों में वापस – वास्तव में पुराने दिन – डिजाइनिंग सामग्री का कार्य श्रमसाध्य था। 1,000 से अधिक वर्षों के दौरान, जांचकर्ताओं ने सीसा, पारा और सल्फर जैसी चीजों को मिलाकर सोना बनाने की कोशिश की, जो उन्हें उम्मीद थी कि उन्हें सिर्फ सही अनुपात होगा। यहां तक कि टायचो ब्राहे, रॉबर्ट बॉयल और इसहाक न्यूटन जैसे प्रसिद्ध वैज्ञानिकों ने नि: शुल्क प्रयास में अपने हाथों की कोशिश की जिसे हम अल्केमी कहते हैं।
सामग्री विज्ञान, निश्चित रूप से, एक लंबा रास्ता तय करता है। पिछले 150 वर्षों से, शोधकर्ताओं को आकर्षित करने के लिए तत्वों की आवर्त सारणी का लाभ था, जो उन्हें बताता है कि अलग -अलग तत्वों में अलग -अलग गुण होते हैं, और कोई जादुई रूप से दूसरे में बदल नहीं सकता है। इसके अलावा, पिछले एक दशक में, मशीन लर्निंग टूल्स ने विभिन्न अणुओं और पदार्थों की संरचना और भौतिक गुणों को निर्धारित करने के लिए हमारी क्षमता को काफी बढ़ा दिया है। JU LI के नेतृत्व में एक समूह द्वारा नया शोध – MIT में परमाणु इंजीनियरिंग के टोक्यो इलेक्ट्रिक पावर कंपनी प्रोफेसर और सामग्री विज्ञान और इंजीनियरिंग के प्रोफेसर – क्षमताओं में एक प्रमुख छलांग का वादा प्रदान करता है जो सामग्री डिजाइन की सुविधा प्रदान कर सकता है। उनकी जांच के परिणाम दिसंबर 2024 के अंक में बताए गए हैं प्रकृति कम्प्यूटेशनल विज्ञान।
वर्तमान में, अधिकांश मशीन-लर्निंग मॉडल जो आणविक प्रणालियों को चिह्नित करने के लिए उपयोग किए जाते हैं, वे घनत्व कार्यात्मक सिद्धांत (डीएफटी) पर आधारित होते हैं, जो इलेक्ट्रॉन घनत्व वितरण को देखकर अणु या क्रिस्टल की कुल ऊर्जा का निर्धारण करने के लिए एक क्वांटम यांत्रिक दृष्टिकोण प्रदान करता है-जो कि, मूल रूप से, अणु के पास अंतरिक्ष में प्रत्येक दिए गए बिंदु के आसपास एक इकाई मात्रा में स्थित इलेक्ट्रॉनों की औसत संख्या है। (वाल्टर कोहन, जिन्होंने 60 साल पहले इस सिद्धांत का सह-आविष्कार किया था, ने 1998 में इसके लिए रसायन विज्ञान में एक नोबेल पुरस्कार प्राप्त किया था।) जबकि विधि बहुत सफल रही है, इसमें कुछ कमियां हैं, ली के अनुसार: “सबसे पहले, सटीकता समान रूप से महान नहीं है। और दूसरा, यह केवल आपको एक बात बताता है: आणविक प्रणाली की सबसे कम ऊर्जा।”
बचाव के लिए “कपल थेरेपी”
उनकी टीम अब एक अलग कम्प्यूटेशनल रसायन विज्ञान तकनीक पर भरोसा कर रही है, जो क्वांटम यांत्रिकी से भी ली गई है, जिसे युग्मित-क्लस्टर थ्योरी, या सीसीएसडी (टी) के रूप में जाना जाता है। “यह क्वांटम रसायन विज्ञान का स्वर्ण मानक है,” ली टिप्पणी करता है। CCSD (T) गणना के परिणाम DFT गणनाओं से जो आपको मिलते हैं, उससे कहीं अधिक सटीक हैं, और वे वर्तमान में प्रयोगों से प्राप्य होने के रूप में भरोसेमंद हो सकते हैं। समस्या यह है कि इन गणनाओं को कंप्यूटर पर ले जाना बहुत धीमा है, वे कहते हैं, “और स्केलिंग खराब है: यदि आप सिस्टम में इलेक्ट्रॉनों की संख्या को दोगुना करते हैं, तो संगणना 100 गुना अधिक महंगी हो जाती है।” उस कारण से, CCSD (T) गणना आम तौर पर लगभग 10 के आदेश पर – कम संख्या में परमाणुओं के साथ अणुओं तक सीमित रही है। इससे परे कुछ भी बहुत लंबा समय लगेगा।
यह वह जगह है जहां मशीन लर्निंग आती है। CCSD (T) गणना पहली बार पारंपरिक कंप्यूटरों पर की जाती है, और परिणामों का उपयोग तब एक तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया जाता है, जो विशेष रूप से ली और उनके सहयोगियों द्वारा तैयार किए गए एक उपन्यास वास्तुकला के साथ एक तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया जाता है। प्रशिक्षण के बाद, तंत्रिका नेटवर्क सन्निकटन तकनीकों का लाभ उठाकर इन समान गणनाओं को बहुत तेजी से कर सकता है। क्या अधिक है, उनके तंत्रिका नेटवर्क मॉडल केवल अपनी ऊर्जा की तुलना में एक अणु के बारे में अधिक जानकारी निकाल सकते हैं। “पिछले काम में, लोगों ने विभिन्न गुणों का आकलन करने के लिए कई अलग -अलग मॉडलों का उपयोग किया है,” सामग्री विज्ञान और इंजीनियरिंग में एक एमआईटी पीएचडी छात्र हाओ तांग कहते हैं। “यहां हम इन सभी गुणों का मूल्यांकन करने के लिए सिर्फ एक मॉडल का उपयोग करते हैं, यही वजह है कि हम इसे ‘मल्टी-टास्क’ दृष्टिकोण कहते हैं।”
“मल्टी-टास्क इलेक्ट्रॉनिक हैमिल्टनियन नेटवर्क,” या मेहनीट, कई इलेक्ट्रॉनिक गुणों पर प्रकाश डालता है, जैसे कि द्विध्रुवीय और चौगुनी क्षण, इलेक्ट्रॉनिक ध्रुवीकरण, और ऑप्टिकल उत्तेजना अंतर-ऊर्जा की मात्रा को जमीन से सबसे कम उत्साहित अवस्था में ले जाने के लिए एक इलेक्ट्रॉन की आवश्यकता होती है। “उत्तेजना अंतर सामग्री के ऑप्टिकल गुणों को प्रभावित करता है,” तांग बताते हैं, “क्योंकि यह प्रकाश की आवृत्ति को निर्धारित करता है जिसे एक अणु द्वारा अवशोषित किया जा सकता है।” उनके CCSD- प्रशिक्षित मॉडल का एक और फायदा यह है कि यह न केवल जमीनी राज्यों के गुणों को प्रकट कर सकता है, बल्कि उत्साहित राज्यों को भी। मॉडल इसके कंपन गुणों से संबंधित एक अणु के अवरक्त अवशोषण स्पेक्ट्रम की भी भविष्यवाणी कर सकता है, जहां एक अणु के भीतर परमाणुओं के कंपन को एक दूसरे के लिए युग्मित किया जाता है, जिससे विभिन्न सामूहिक व्यवहार होते हैं।
उनके दृष्टिकोण की ताकत नेटवर्क आर्किटेक्चर के लिए बहुत अधिक है। MIT सहायक प्रोफेसर टेस स्मिड्ट के काम पर आकर्षित, टीम एक तथाकथित E (3) -equivariant ग्राफ न्यूरल नेटवर्क का उपयोग कर रही है, तांग कहते हैं, “जिसमें नोड्स परमाणुओं का प्रतिनिधित्व करते हैं और किनारों को जोड़ने वाले किनारों को परमाणुओं के बीच बॉन्ड का प्रतिनिधित्व करते हैं।
परीक्षण, 1, 2 3
जब ज्ञात हाइड्रोकार्बन अणुओं के अपने विश्लेषण पर परीक्षण किया गया, तो ली एट अल का मॉडल। डीएफटी समकक्षों को बेहतर बनाया और प्रकाशित साहित्य से लिए गए प्रयोगात्मक परिणामों का बारीकी से मिलान किया।
QIANG ZHU – शार्लोट में उत्तरी कैरोलिना विश्वविद्यालय में एक सामग्री खोज विशेषज्ञ (जो इस अध्ययन का हिस्सा नहीं था) – अब तक जो पूरा किया गया है उससे प्रभावित है। “उनकी विधि एक छोटे डेटासेट के साथ प्रभावी प्रशिक्षण को सक्षम करती है, जबकि मौजूदा मॉडल की तुलना में बेहतर सटीकता और कम्प्यूटेशनल दक्षता प्राप्त करती है,” वे कहते हैं। “यह रोमांचक काम है जो कम्प्यूटेशनल रसायन विज्ञान और गहरी शिक्षा के बीच शक्तिशाली तालमेल को दिखाता है, अधिक सटीक और स्केलेबल इलेक्ट्रॉनिक संरचना विधियों को विकसित करने के लिए नए विचारों की पेशकश करता है।”
MIT- आधारित समूह ने अपने मॉडल को पहले छोटे, नॉनमेटालिक तत्वों-हाइड्रोजन, कार्बन, नाइट्रोजन, ऑक्सीजन और फ्लोरीन पर लागू किया, जिसमें से कार्बनिक यौगिक बनाए जा सकते हैं-और तब से भारी तत्वों की जांच करने के लिए चले गए हैं: सिलिकॉन, फॉस्फोरस, सल्फर, क्लोरीन और यहां तक कि प्लैटिनम। छोटे अणुओं पर प्रशिक्षित होने के बाद, मॉडल को बड़े और बड़े अणुओं के लिए सामान्यीकृत किया जा सकता है। “पहले, अधिकांश गणनाएं डीएफटी के साथ सैकड़ों परमाणुओं और सीसीएसडी (टी) गणना के साथ सिर्फ दसियों परमाणुओं का विश्लेषण करने तक सीमित थीं,” ली कहते हैं। “अब हम हजारों परमाणुओं को संभालने के बारे में बात कर रहे हैं और अंततः, शायद दसियों हजारों।”
अभी के लिए, शोधकर्ता अभी भी ज्ञात अणुओं का मूल्यांकन कर रहे हैं, लेकिन मॉडल का उपयोग उन अणुओं को चिह्नित करने के लिए किया जा सकता है जो पहले नहीं देखे गए हैं, साथ ही साथ काल्पनिक सामग्रियों के गुणों की भविष्यवाणी करने के लिए जिसमें विभिन्न प्रकार के अणुओं से मिलकर बनता है। तांग कहते हैं, “यह विचार हमारे सैद्धांतिक उपकरणों का उपयोग करने के लिए होनहार उम्मीदवारों को बाहर करने के लिए है, जो मानदंड के एक विशेष सेट को संतुष्ट करते हैं, इससे पहले कि वे एक प्रयोगात्मक व्यक्ति को बाहर की जाँच करें।”
यह सब ऐप्स के बारे में है
आगे देखते हुए, ZHU संभावित अनुप्रयोगों के बारे में आशावादी है। “यह दृष्टिकोण उच्च-थ्रूपुट आणविक स्क्रीनिंग के लिए क्षमता रखता है,” वे कहते हैं। “यह एक ऐसा कार्य है जहां रासायनिक सटीकता प्राप्त करना वांछनीय गुणों के साथ उपन्यास अणुओं और सामग्रियों की पहचान करने के लिए आवश्यक हो सकता है।”
एक बार जब वे शायद हजारों परमाणुओं के साथ बड़े अणुओं का विश्लेषण करने की क्षमता प्रदर्शित करते हैं, तो ली कहते हैं, “हमें नए पॉलिमर या सामग्रियों का आविष्कार करने में सक्षम होना चाहिए” जो दवा डिजाइन या सेमीकंडक्टर उपकरणों में उपयोग किया जा सकता है। भारी संक्रमण धातु तत्वों की परीक्षा से बैटरी के लिए नई सामग्री का आगमन हो सकता है – वर्तमान में तीव्र आवश्यकता का एक क्षेत्र।
भविष्य, जैसा कि ली इसे देखता है, व्यापक है। “यह अब सिर्फ एक क्षेत्र के बारे में नहीं है,” वे कहते हैं। “हमारी महत्वाकांक्षा, अंततः, CCSD (T) -level सटीकता के साथ पूरी आवर्त सारणी को कवर करने के लिए है, लेकिन DFT की तुलना में कम कम्प्यूटेशनल लागत पर। इससे हमें रसायन विज्ञान, जीव विज्ञान और सामग्री विज्ञान में समस्याओं की एक विस्तृत श्रृंखला को हल करने में सक्षम होना चाहिए। यह जानना मुश्किल है, वर्तमान में, बस वह सीमा कितनी चौड़ी हो सकती है।”
इस काम को होंडा रिसर्च इंस्टीट्यूट द्वारा समर्थित किया गया था। हाओ तांग मैथवर्क्स इंजीनियरिंग फेलोशिप से समर्थन स्वीकार करता है। इस काम में गणना, मैटलेंटिस हाई-स्पीड यूनिवर्सल एटमॉस्टिक सिम्युलेटर, टेक्सास एडवांस्ड कम्प्यूटिंग सेंटर, एमआईटी सुपरक्लाउड और नेशनल एनर्जी रिसर्च साइंटिफिक कंप्यूटिंग पर, भाग में की गई थी।
। CCSD (T) (T) मल्टी-टास्क इलेक्ट्रॉनिक हैमिल्टनियन नेटवर्क (T) MEHNET (T) E (3) -ECEVIARIARANT ग्राफ न्यूरल नेटवर्क (T) JU LI (T) HAO TANG (T) TESS SMIDT
