AI बेहतर हाइड्रोजन उत्प्रेरकों के लिए एक अलग रास्ता आजमाता है
इंस्टीट्यूट फॉर बेसिक साइंस की एक शोध टीम का कहना है कि उसने एक कृत्रिम बुद्धिमत्ता ढांचा तैयार किया है, जो आमतौर पर अलग-अलग अध्ययन किए जाने वाले पदार्थ परिवारों के ज्ञान को जोड़कर संभावित उत्प्रेरकों की खोज करता है। यह काम हरित हाइड्रोजन उत्पादन की केंद्रीय बाधाओं में से एक, ऑक्सीजन उत्क्रमण अभिक्रिया, यानी जल-अपघटन के ऊर्जा-गहन आधे हिस्से को लक्षित करता है।
मूल दावा यह नहीं है कि AI केवल एक मौजूदा स्क्रीनिंग प्रक्रिया को तेज कर रहा है। इसके बजाय, शोधकर्ताओं का तर्क है कि मॉडल उन उत्प्रेरक श्रेणियों के बीच जानकारी स्थानांतरित कर सकता है जिन्हें सामान्यतः अलग-अलग डोमेन माना जाता है। अपने अध्ययन में, सिस्टम ने कार्बन-सहायित एकल-परमाणु उत्प्रेरकों और पेरोव्स्काइट ऑक्साइड उत्प्रेरकों से सीखा, फिर उन पैटर्नों का उपयोग करके तीसरी श्रेणी, यानी पेरोव्स्काइट ऑक्साइड पर समर्थित एकल-परमाणु उत्प्रेरकों, के व्यवहार का अनुमान लगाया।
यह क्रॉस-फैमिली कदम ही मुख्य विकास है। उत्प्रेरक खोज अक्सर एक ही पदार्थ वर्ग की सीमाओं में बंधी रही है, जहाँ ऑक्साइड उत्प्रेरकों की तुलना अन्य ऑक्साइड से और एकल-परमाणु उत्प्रेरकों की तुलना समान संरचनाओं से की जाती रही है। IBS टीम का कहना है कि यह अलगाव प्रदर्शन सुधारों को अनदेखा कर सकता है, खासकर तब जब सबसे प्रभावी डिज़ाइन एक ऐसा हाइब्रिड हो जो एक से अधिक परिवारों की ताकतें अपनाता हो।
ऑक्सीजन अभिक्रिया क्यों महत्वपूर्ण है
जल-अपघटन में हाइड्रोजन उत्पादन केवल सिद्धांत में अणु तोड़ने पर निर्भर नहीं करता। ऑक्सीजन उत्क्रमण अभिक्रिया धीमी होती है और अतिरिक्त ऊर्जा मांगती है, जिससे बिना प्रत्यक्ष कार्बन उत्सर्जन के हाइड्रोजन बनाने की लागत बढ़ जाती है। बेहतर उत्प्रेरक overpotential घटाकर और दक्षता सुधारकर इस दंड को कम कर सकते हैं।
शोधकर्ताओं का कहना है कि उनका मॉडल क्षारीय ऑक्सीजन उत्क्रमण अभिक्रिया के लिए उत्प्रेरक गतिविधि का अनुमान लगाने के लिए एक साथ दो तरह की संरचनात्मक जानकारी से सीखने के लिए बनाया गया था। सतही परमाणु विन्यास को छवि जानकारी के रूप में संभाला गया, जबकि बल्क ऑक्साइड संरचना को ग्राफ जानकारी के रूप में निरूपित किया गया। इन दोनों दृष्टिकोणों को जोड़कर, सिस्टम ने एकल-परमाणु उत्प्रेरकों के सतही डिज़ाइन नियमों को पेरोव्स्काइट ऑक्साइड की संरचनात्मक नियमावली से जोड़ने की कोशिश की।
अध्ययन सारांश के अनुसार, परिणाम एक ऐसा मशीन-लर्निंग ढांचा है जो उन पदार्थ परिवारों के बाहर भी आशाजनक उम्मीदवार सुझा सकता है जिन पर इसे सीधे प्रशिक्षित किया गया था। यह महत्वपूर्ण है, क्योंकि इस क्षेत्र का बहुत सा काम अभी भी ज्ञात श्रेणियों के भीतर खोज पर निर्भर करता है, न कि उनके पार।
इस दृष्टिकोण में क्या बदला
पेपर का सबसे मजबूत निहितार्थ पद्धतिगत है। अगर मॉडल मजबूत है, तो यह संकेत देता है कि उत्प्रेरक अनुसंधान को संकीर्ण रासायनिक वंशावली में बंद रहने की जरूरत नहीं है। शोधकर्ता इसके बजाय AI का उपयोग उन संयोजनों की पहचान करने में कर सकते हैं जिन्हें मानव विशेषज्ञ तब चूक सकते हैं जब उनकी विशेषज्ञता अलग-अलग उत्प्रेरक परंपराओं के इर्द-गिर्द संगठित हो।
इसका यह अर्थ नहीं है कि कोई व्यावसायिक सफलता तुरंत आ जाएगी। स्रोत सामग्री एक संकीर्ण निष्कर्ष का समर्थन करती है: यह ढांचा हरित हाइड्रोजन प्रणालियों के लिए उत्प्रेरक उम्मीदवार खोजने का नया तरीका देता है। यह खोज रणनीति में बदलाव है, यह दावा नहीं कि हाइड्रोजन लागत समस्या पहले ही हल हो चुकी है।
फिर भी दिशा उल्लेखनीय है। हाइड्रोजन को लेकर एक पुराना तनाव बना रहा है। स्वच्छ तरीके से उत्पादित होने पर यह औद्योगिक ईंधन और भंडारण माध्यम के रूप में आकर्षक है, लेकिन जल-अपघटन की दक्षता और लागत अभी भी बड़ी बाधाएँ हैं। नए उत्प्रेरक डिज़ाइनों के लिए hit rate बढ़ाने वाला कोई भी साधन प्रयोगशाला से कहीं आगे तक मायने रख सकता है, खासकर अगर वह सिद्धांत, स्क्रीनिंग, और प्रयोगात्मक सत्यापन के बीच लगने वाला समय कम करे।
सामग्री विज्ञान के लिए व्यापक संकेत
यह अध्ययन उन्नत सामग्री अनुसंधान के व्यापक रुझान से भी मेल खाता है, जहां AI का उपयोग केवल ज्ञात उम्मीदवारों की रैंकिंग के लिए नहीं, बल्कि बिखरे हुए ज्ञान आधारों को जोड़ने के लिए बढ़ रहा है। इस मामले में, टीम AI को एक ही श्रेणी के भीतर तेज़ छँटाई के बजाय उत्प्रेरक सीमाओं के पार सेतु के रूप में प्रस्तुत करती है।
हरित हाइड्रोजन के लिए यह अंतर महत्वपूर्ण है। सबसे कठिन लाभों में से कुछ ऐसे संयोजनों से आ सकते हैं जो रासायनिक रूप से संभव तो हैं, लेकिन संस्थागत रूप से आसानी से छूट जाते हैं, क्योंकि वे स्थापित विशेषज्ञताओं के बीच में स्थित हैं। अलग-अलग उत्प्रेरक परिवारों को स्थानांतरित होने योग्य ज्ञान के स्रोत मानकर, IBS शोधकर्ता यह तर्क दे रहे हैं कि अगली उपयोगी सामग्री किसी एक श्रेणी के भीतर परिष्कार से नहीं, बल्कि ओवरलैप से उभर सकती है।
स्रोत रिपोर्ट के अनुसार, Nature Materials में प्रकाशित यह पेपर किसी तात्कालिक औद्योगिक छलांग का वादा नहीं करता। जो यह देता है, वह खोज का अधिक महत्वाकांक्षी तरीका है: मॉडल को सिखाइए कि अलग-अलग उत्प्रेरक प्रणालियाँ किस काम में अच्छी हैं, फिर उससे पूछिए कि एक नई हाइब्रिड प्रणाली क्या हासिल कर सकती है। ऐसे क्षेत्र में जहाँ दक्षता में मामूली बढ़ोतरी भी बड़े आर्थिक प्रभाव डाल सकती है, यह एक महत्वपूर्ण विकास है।
यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.
Originally published on phys.org