সবুজ হাইড্রোজেনের জন্য উন্নত অনুঘটক খুঁজতে AI নতুন পথ দেখাচ্ছে

উন্নত হাইড্রোজেন অনুঘটকের জন্য AI এক ভিন্ন পথ চেষ্টা করছে

ইনস্টিটিউট ফর বেসিক সায়েন্স-এর একটি গবেষক দল বলছে, তারা এমন একটি কৃত্রিম বুদ্ধিমত্তা কাঠামো তৈরি করেছে যা সাধারণত আলাদাভাবে গবেষণা করা উপাদান পরিবারগুলোর জ্ঞান একত্র করে অনুঘটক প্রার্থী খোঁজে। এই কাজটি সবুজ হাইড্রোজেন উৎপাদনের অন্যতম কেন্দ্রীয় বাধা, অর্থাৎ অক্সিজেন ইভোলিউশন রিঅ্যাকশন, যা পানি ইলেক্ট্রোলাইসিসের শক্তিখরচে ভারী অর্ধ-প্রতিক্রিয়া।

মূল দাবি শুধু এই নয় যে AI বিদ্যমান একটি screening workflow-কে দ্রুত করছে। বরং গবেষকেরা বলছেন, মডেল এমন অনুঘটক শ্রেণির মধ্যে তথ্য স্থানান্তর করতে পারে যেগুলোকে সাধারণত আলাদা domain হিসেবে ধরা হয়। তাদের গবেষণায়, সিস্টেমটি carbon-supported single-atom catalysts এবং perovskite oxide catalysts থেকে শিখে, তারপর সেই patterns ব্যবহার করে তৃতীয় একটি শ্রেণি, অর্থাৎ perovskite oxides-এর উপর supported single-atom catalysts-এর আচরণ অনুমান করেছে।

এই cross-family ধাপটাই মূল অগ্রগতি। অনুঘটক আবিষ্কার অনেক সময় একক উপাদান শ্রেণির সীমানার মধ্যেই আটকে থাকে; oxide catalysts-কে অন্য oxides-এর সঙ্গে, আর single-atom catalysts-কে একই ধরনের গঠনের সঙ্গে তুলনা করা হয়। IBS দল বলছে, এই বিচ্ছেদ পারফরম্যান্স বৃদ্ধির সুযোগ হাতছাড়া করতে পারে, বিশেষত যখন সবচেয়ে কার্যকর নকশা এমন একটি hybrid যা একাধিক পরিবারের শক্তিকে একত্র করে।

অক্সিজেন প্রতিক্রিয়া কেন গুরুত্বপূর্ণ

পানি ইলেক্ট্রোলাইসিসে, হাইড্রোজেন উৎপাদন কেবল তত্ত্বগতভাবে অণু ভাঙার ওপর নির্ভর করে না। অক্সিজেন ইভোলিউশন রিঅ্যাকশন ধীর এবং অতিরিক্ত শক্তি চায়, ফলে সরাসরি কার্বন নিঃসরণ ছাড়াই হাইড্রোজেন উৎপাদনের খরচ বেড়ে যায়। উন্নত অনুঘটক overpotential কমিয়ে এবং দক্ষতা বাড়িয়ে সেই চাপ কমাতে পারে।

গবেষকেরা বলছেন, তাদের মডেল alkaline oxygen evolution reaction-এর catalytic activity অনুমান করতে একসঙ্গে দুই ধরনের কাঠামোগত তথ্য শিখতে তৈরি করা হয়েছে। surface atomic arrangement-কে image information হিসেবে ধরা হয়েছে, আর bulk oxide structure-কে graph information হিসেবে উপস্থাপন করা হয়েছে। এই দুই দৃষ্টিভঙ্গি জুড়ে সিস্টেমটি single-atom catalysts-এর surface-design নিয়মকে perovskite oxides-এর কাঠামোগত নিয়মের সঙ্গে সংযুক্ত করার চেষ্টা করেছে।

অধ্যয়ন সারাংশ অনুযায়ী, এর ফল হলো এমন একটি machine-learning framework যা সরাসরি যেসব উপাদান পরিবারে প্রশিক্ষিত হয়নি, তার বাইরেও আশাব্যঞ্জক প্রার্থী প্রস্তাব করতে পারে। কারণ এই ক্ষেত্রের অনেকটাই এখনো পরিচিত শ্রেণির মধ্যেই অনুসন্ধানের ওপর নির্ভরশীল, সেগুলোর মধ্যে নয়।

এই পদ্ধতিতে কী বদলেছে

এই পেপারের সবচেয়ে শক্তিশালী ইঙ্গিতটি পদ্ধতিগত। মডেলটি যদি সত্যিই শক্তিশালী হয়, তবে তা দেখায় যে অনুঘটক গবেষণাকে সরু রাসায়নিক বংশধারার মধ্যে বন্দি থাকতে হবে না। গবেষকেরা AI ব্যবহার করে এমন সংযোজন শনাক্ত করতে পারেন যা মানব বিশেষজ্ঞরা আলাদা অনুঘটক ধারার মধ্যে নিজেদের দক্ষতা সাজিয়ে রাখায় মিস করতে পারেন।

এতে সঙ্গে সঙ্গে কোনো বাণিজ্যিক সাফল্য আসবে, এমন নয়। সূত্র উপাদানটি একটি সংকীর্ণ সিদ্ধান্তই সমর্থন করে: এই framework সবুজ হাইড্রোজেন সিস্টেমের জন্য অনুঘটক প্রার্থী আবিষ্কারের নতুন উপায় দেয়। এটি অনুসন্ধান কৌশলের বদল, হাইড্রোজেন খরচের সমস্যা ইতিমধ্যেই সমাধান হয়েছে—এমন দাবি নয়।

তবু দিকটি গুরুত্বপূর্ণ। হাইড্রোজেন দীর্ঘদিন ধরে এক পরিচিত টানাপোড়েনের মুখে। পরিষ্কারভাবে উৎপাদিত হলে এটি শিল্প জ্বালানি ও সংরক্ষণ মাধ্যম হিসেবে আকর্ষণীয়, কিন্তু electrolysis-এর দক্ষতা ও খরচ এখনও বড় বাধা। নতুন অনুঘটক নকশার hit rate উন্নত করতে পারে এমন যেকোনো সরঞ্জাম ল্যাবের অনেক বাইরে পর্যন্ত প্রভাব ফেলতে পারে, বিশেষ করে যদি তা তত্ত্ব, screening, এবং পরীক্ষামূলক যাচাইয়ের মধ্যে সময় কমায়।

পদার্থবিজ্ঞানের জন্য বৃহত্তর ইঙ্গিত

এই গবেষণা উন্নত উপকরণ গবেষণার এক বিস্তৃত প্রবণতার সঙ্গেও মিলে যায়, যেখানে AI-কে কেবল পরিচিত প্রার্থীদের ranking করার জন্য নয়, বিচ্ছিন্ন জ্ঞানের ভাণ্ডারকে যুক্ত করার জন্যও ব্যবহার করা হচ্ছে। এখানে দলটি AI-কে একক শ্রেণির মধ্যে দ্রুত sorter হিসেবে নয়, অনুঘটক সীমানা জুড়ে সেতু হিসেবে উপস্থাপন করছে।

সবুজ হাইড্রোজেনের ক্ষেত্রে এই পার্থক্য গুরুত্বপূর্ণ। সবচেয়ে কঠিন অগ্রগতিগুলোর কিছু এমন সংমিশ্রণ থেকে আসতে পারে যা রাসায়নিকভাবে সম্ভব, কিন্তু প্রতিষ্ঠানগতভাবে সহজে চোখ এড়ায়, কারণ সেগুলো প্রতিষ্ঠিত বিশেষায়িত ক্ষেত্রের মাঝামাঝি পড়ে। ভিন্ন ভিন্ন অনুঘটক পরিবারকে স্থানান্তরযোগ্য জ্ঞানের উৎস হিসেবে দেখিয়ে IBS গবেষকেরা বলছেন, পরের দরকারি উপাদানটি একক কোনো শ্রেণির refinement থেকে নয়, বরং overlap থেকে আসতে পারে।

গবেষণাটি Nature Materials-এ প্রকাশিত হয়েছে বলে সূত্র জানিয়েছে, তবে এটি কোনো তাৎক্ষণিক শিল্প-জাম্পের প্রতিশ্রুতি দেয় না। যা এটি দেয়, তা হলো অনুসন্ধানের আরও উচ্চাকাঙ্ক্ষী উপায়: মডেলকে শেখান প্রতিটি ভিন্ন অনুঘটক সিস্টেম কোন বিষয়ে ভালো, তারপর জিজ্ঞেস করুন একটি নতুন hybrid system কী অর্জন করতে পারে। এমন এক ক্ষেত্রে, যেখানে দক্ষতায় সামান্য উন্নতিও বড় অর্থনৈতিক প্রভাব ফেলতে পারে, এটি একটি অর্থবহ উন্নয়ন।

এই নিবন্ধটি Phys.org-এর প্রতিবেদনের উপর ভিত্তি করে। মূল নিবন্ধ পড়ুন.