பசுமை ஹைட்ரஜனுக்காக சிறந்த ஊக்கிகளை தேட AI புதிய பாதையை காட்டுகிறது

சிறந்த ஹைட்ரஜன் ஊக்கிகளுக்காக AI ஒரு வேறுபட்ட பாதையை முயல்கிறது

Institute for Basic Science-இல் உள்ள ஒரு ஆராய்ச்சி குழு, பொதுவாக தனித்தனியாக ஆய்வு செய்யப்படும் பொருட் குடும்பங்களிலிருந்து அறிவை இணைத்து ஊக்கி வேட்பாளர்களைத் தேடும் வகையில் வடிவமைக்கப்பட்ட ஒரு செயற்கை நுண்ணறிவு கட்டமைப்பை உருவாக்கியுள்ளதாக கூறுகிறது. இந்த வேலை பசுமை ஹைட்ரஜன் உற்பத்தியின் மைய தடைகளில் ஒன்றான ஆக்சிஜன் வெளிப்பாட்டு வினையை, அதாவது நீர் மின்விளக்கின் ஆற்றல் அதிகம் தேவைப்படும் அரை-வினையை, இலக்காகக் கொண்டுள்ளது.

அடிப்படை கூற்று, AI ஏற்கனவே உள்ள ஒரு筛னிங் வேலைநடையை வெறுமனே வேகப்படுத்துகிறது என்பதல்ல. மாறாக, பொதுவாக தனி துறைகளாகக் கருதப்படும் ஊக்கி வகைகளுக்கு இடையில் மாதிரி தகவலை நகர்த்த முடியும் என்று ஆராய்ச்சியாளர்கள் வாதிடுகின்றனர். தங்களின் ஆய்வில், அமைப்பு கார்பன் ஆதரவு பெற்ற single-atom catalysts மற்றும் perovskite oxide catalysts ஆகியவற்றிலிருந்து கற்றுக்கொண்டு, அந்த முறைமைகளைப் பயன்படுத்தி மூன்றாவது வகையான perovskite oxides-ல் ஆதரவு பெற்ற single-atom catalysts-ன் நடத்தை பற்றி கணித்தது.

அந்த cross-family படியே முக்கிய முன்னேற்றம். ஊக்கி கண்டுபிடிப்பு பெரும்பாலும் ஒரு பொருட் வகையின் எல்லைகளுக்குள் சிக்கிக்கொண்டிருந்தது; oxide catalysts மற்ற oxides-களுடன் ஒப்பிடப்பட்டு, single-atom catalysts ஒத்த அமைப்புகளுடன் ஒப்பிடப்பட்டன. IBS குழு, அந்தப் பிரிப்பு செயல்திறன் உயர்வுகளை அப்படியே விட்டுவிடக்கூடும் என்று கூறுகிறது, குறிப்பாக மிகச் சிறந்த வடிவமைப்பு ஒன்றுக்கு மேற்பட்ட குடும்பங்களின் வலிமைகளை இணைக்கும் hybrid ஆக இருந்தால்.

ஆக்சிஜன் வினை ஏன் முக்கியம்

நீர் மின்விளக்கில், ஹைட்ரஜன் உற்பத்தி கோட்பாடாக மூலக்கூறுகளைப் பிரிப்பதில் மட்டும் அமையவில்லை. ஆக்சிஜன் வெளிப்பாட்டு வினை மெதுவாக நடைபெறுகிறது, மேலும் கூடுதல் ஆற்றலைக் கோருகிறது; இதனால் நேரடி கார்பன் உமிழ்வின்றி ஹைட்ரஜன் தயாரிக்கும் செலவு உயர்கிறது. சிறந்த ஊக்கிகள் overpotential-ஐக் குறைத்து திறனை மேம்படுத்தி அந்தச் சுமையைத் தாழ்த்தலாம்.

தங்களின் மாதிரி alkalai ஆக்சிஜன் வெளிப்பாட்டு வினைக்கான catalytic activity-யை கணிக்க, இரண்டு விதமான கட்டமைப்பு தகவல்களை ஒரே நேரத்தில் கற்றுக்கொள்ளும் வகையில் வடிவமைக்கப்பட்டதாக ஆராய்ச்சியாளர்கள் கூறுகின்றனர். மேற்பரப்பின் அணு அமைப்பு image information ஆக கையாளப்பட்டது; bulk oxide அமைப்பு graph information ஆக பிரதிபலிக்கப்பட்டது. இந்த இரண்டு பார்வைகளையும் இணைப்பதன் மூலம், single-atom catalysts-இன் surface-design விதிகளை perovskite oxides-இன் கட்டமைப்பு விதிகளுடன் இணைக்க அமைப்பு முயன்றது.

ஆய்வுச் சுருக்கத்தின் படி, இதன் விளைவாகப் பெறப்பட்ட machine-learning கட்டமைப்பு, நேரடியாக பயிற்சியளிக்கப்பட்ட பொருட் குடும்பங்களுக்கு வெளியிலும் நம்பிக்கையளிக்கும் candidate-களை பரிந்துரைக்க முடியும். ஏனெனில் இந்தத் துறையின் பெரும்பகுதி இன்னும் அறியப்பட்ட வகைகளுக்குள் தேடுவதிலேயே உள்ளது; அவற்றைத் தாண்டி அல்ல.

இந்த அணுகுமுறையில் என்ன மாறியது

இந்தக் கட்டுரையின் மிக வலுவான பரிமாணம் முறைமையியல். மாதிரி வலுவாக இருந்தால், ஊக்கி ஆராய்ச்சி குறுகிய இரசாயன வம்சாவளிகளுக்குள் சிக்கியிருக்க வேண்டியதில்லை என்பதைக் காட்டுகிறது. மனித நிபுணர்கள் தங்கள் நிபுணத்துவத்தை தனித்த ஊக்கி மரபுகளின் சுற்றிலும் ஒழுங்குபடுத்தும் போது தவறவிடக்கூடிய இணைப்புகளை கண்டறிய AI-யைப் பயன்படுத்தலாம்.

இது உடனடியாக வணிக வெற்றி வரப்போகிறது என்பதைக் குறிக்கவில்லை. மூலப் பொருள் ஒரு குறுகிய முடிவை மட்டுமே ஆதரிக்கிறது: இந்த கட்டமைப்பு பசுமை ஹைட்ரஜன் அமைப்புகளுக்கான ஊக்கி வேட்பாளர்களை கண்டறிய புதிய வழியைக் கொடுக்கிறது. இது தேடல் நெறியில் மாற்றம்; ஹைட்ரஜன் செலவுப் பிரச்சினை ஏற்கனவே தீர்ந்துவிட்டது என்ற கூற்று அல்ல.

என்றாலும், திசை குறிப்பிடத்தக்கது. ஹைட்ரஜன் நீண்ட காலமாக ஒரு பரிச்சயமான பதற்றத்தை எதிர்கொண்டு வருகிறது. தூய்மையாக தயாரிக்கப்படும்போது அது தொழில்துறை எரிபொருளாகவும் சேமிப்பு ஊடகமாகவும் கவர்ச்சிகரமாக உள்ளது, ஆனால் மின்விளக்கின் திறனும் செலவும் இன்னும் முக்கிய தடைகளாகவே உள்ளன. புதிய ஊக்கி வடிவமைப்புகளுக்கான hit rate-ஐ மேம்படுத்தும் எந்த கருவியும் ஆய்வகத்தைக் கடந்து பல இடங்களில் தாக்கத்தை ஏற்படுத்தலாம், குறிப்பாக கோட்பாடு,筛னிங், மற்றும் சோதனைச் சரிபார்ப்பு ஆகியவற்றிற்கிடையில் செலவாகும் நேரத்தை அது குறைத்தால்.

பொருள் அறிவியலுக்கான விரிவான சிக்னல்

இந்த ஆய்வு மேம்பட்ட பொருட்கள் ஆராய்ச்சியில் உருவாகி வரும் ஒரு விரிவான வடிவத்துடனும் பொருந்துகிறது; இங்கு AI என்பது அறியப்பட்ட வேட்பாளர்களை மட்டும் தரவரிசைப்படுத்துவதற்கல்ல, சிதறிக் கிடக்கும் அறிவுத் தளங்களை இணைப்பதற்காகவும் அதிகமாகப் பயன்படுத்தப்படுகிறது. இந்தச் சூழலில், குழு AI-யை ஒரே வகைக்குள் வேகமான sorter ஆக அல்ல, ஊக்கி எல்லைகளுக்கு இடையேயான பாலமாகக் காட்டுகிறது.

பசுமை ஹைட்ரஜனுக்கு இந்த வேறுபாடு முக்கியமானது. மிகவும் கடினமான முன்னேற்றங்களில் சில, வேதியியல் ரீதியாக சாத்தியமானாலும், நிறுவாக்க ரீதியாக எளிதில் கவனத்தில் இருந்து தவறக்கூடிய இணைப்புகளிலிருந்து வரலாம்; ஏனெனில் அவை நிலைபெற்ற சிறப்பு துறைகளுக்கிடையில் அமைகின்றன. வெவ்வேறு ஊக்கி குடும்பங்களை பரிமாறக்கூடிய அறிவின் மூலங்களாகக் கருதி, IBS ஆராய்ச்சியாளர்கள் அடுத்த பயனுள்ள பொருள் ஒரு தனி வகைக்குள் refinement-இலிருந்து அல்ல, overlap-இலிருந்து உருவாகலாம் என்பதற்கான வாதத்தை முன்வைக்கின்றனர்.

இந்த ஆய்வு Nature Materials-இல் வெளியிடப்பட்டதாக மூல அறிக்கை கூறுகிறது; அது உடனடி தொழில்துறை தாவலை வாக்குறுதி செய்யவில்லை. ஆனால் இது தேடலுக்கான அதிக ambitious வழியை வழங்குகிறது: வேறுபட்ட ஊக்கி அமைப்புகள் 각각 எதில் சிறந்தவை என்பதை மாதிரிக்குக் கற்றுக்கொடுத்து, பின்னர் புதிய hybrid அமைப்பு என்ன சாதிக்க முடியும் என்று கேளுங்கள். திறனில் சிறிய முன்னேற்றங்கள்கூட பெரிய பொருளாதார விளைவுகளை ஏற்படுத்தக்கூடிய துறையில், இது பொருத்தமான முன்னேற்றமாகும்.

இந்தக் கட்டுரை Phys.org-ன் செய்தியினை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.