आज सामग्री खोज में परिवर्तन लाने वाले 5 एआई ब्रेकथ्रू

कृत्रिम बुद्धिमत्ता (AI) दुनिया को निरंतर बदल रही है और मानवता के भविष्य को पुनः आकार दे रही है।

यह तकनीक लगभग हर क्षेत्र में परिवर्तन ला रही है, उन कार्यों को करके जो सामान्यतः मानव बुद्धिमत्ता की आवश्यकता रखते हैं। AI सिस्टम विशाल डेटा का उपयोग करके पैटर्न पहचानते हैं और निर्णय लेते हैं।

इस प्रकार, AI मानव‑समान तर्क और संज्ञानात्मक प्रक्रियाओं के कुछ स्तरों का अनुकरण कर सकता है।

विश्व व्यापार रिपोर्ट के अनुसार, AI की उत्पादकता वृद्धि और लागत लाभ 2040 तक वैश्विक जीडीपी को 12‑13% तक बढ़ा सकते हैं।

उच्च‑आय वाले अर्थव्यवस्थाओं के साथ अपने डिजिटल बुनियादी ढांचे के अंतर को 50% तक घटाकर और AI को अधिक व्यापक रूप से अपनाकर, निम्न और मध्यम आय वाले देशों की आय में 15% तक की वृद्धि देखी जा सकती है।

राष्ट्रों को उनकी उत्पादकता, व्यापार और आर्थिक स्थिति को सुदृढ़ करने में मदद करने के अलावा, AI विभिन्न उद्योगों में नवाचार को प्रेरित करके समाज की मदद कर सकता है। इस तकनीक का एक वर्तमान तरीका सामग्री खोज के माध्यम से है।

सामग्री खोज में AI का वादा

सामग्रियों की खोज हमेशा नवाचार की कुंजी रही है। कई शताब्दियों पहले, तांबे और टिन के मिश्रण ने कांस्य युग को जन्म दिया, जब अधिक मजबूत उपकरण और हथियारों ने व्यापार और समाजों को बदल दिया।

फिर आयरन युग आया, जब लोहे की महारत ने अर्थव्यवस्थाओं को पुनः आकार दिया। 19वीं सदी में, इस्पात का व्यापक उपयोग हुआ। लोहे और कार्बन का मिश्रधातु, इस्पात, रेलमार्ग, गगनचुंबी इमारतों, जहाज़ों और मशीनरी की रीढ़ बन गया, जिसने औद्योगिक क्रांति और वैश्विक विस्तार को प्रज्वलित किया।

20वीं सदी के अंत में, सिलिकॉन युग ने अर्धचालकों की खोज और परिष्करण के साथ दुनिया को बदल दिया, जो आधुनिक इलेक्ट्रॉनिक्स की नींव हैं। हम अब उन्नत सामग्रियों के युग में हैं, जहाँ ग्रैफ़ीन, कार्बन नैनोट्यूब और क्वांटम सामग्री स्वच्छ ऊर्जा, हल्के विमान और तेज़ कंप्यूटिंग के द्वार खोल रहे हैं।

AI और मशीन लर्निंग (ML) का आगमन सामग्री और, विस्तार में, विभिन्न उद्योगों में नवाचार में योगदान दे रहा है, सामग्री खोज, डिजाइन और अनुकूलन की प्रक्रिया को उल्लेखनीय रूप से तेज़ करके।

इसके लिए, AI एल्गोरिदम और मॉडल का उपयोग करके विशिष्ट अनुप्रयोग आवश्यकताओं के लिए उम्मीदवारों के विशाल डेटाबेस को स्क्रीन करता है। यहाँ, ग्राफ न्यूरल नेटवर्क (GNNs) और रिकरेंट न्यूरल नेटवर्क (RNNs) जैसे डीप लर्निंग मॉडल सामग्री विज्ञान में पाए जाने वाले जटिल डेटासेट का विश्लेषण करने के लिए महत्वपूर्ण हैं।

वे इन डेटाबेस से इच्छित गुणों वाली मौजूदा सामग्री की पहचान भी कर सकते हैं और यहां तक कि उनकी संरचना और संघटन के आधार पर सामग्री के गुणों की भविष्यवाणी कर सकते हैं।

AI की मदद से, सामग्री विज्ञान का क्षेत्र परम्परागत परीक्षण‑और‑त्रुटि विधियों से आगे बढ़ सकता है, जो समय‑साध्य और महंगी होती हैं।

इसके अलावा, AI मॉडल विशिष्ट आवश्यकताओं के अनुरूप नई सामग्री संरचनाएँ उत्पन्न कर सकते हैं। जब स्वचालित प्रयोगात्मक प्लेटफ़ॉर्म के साथ एकीकृत किया जाता है, तो AI सामग्री खोज की लंबी प्रक्रिया को उत्पादन तक तेज़ कर सकता है।

इन लाभों के बावजूद, कुछ सामग्रियों के लिए गुणवत्ता और व्यापक डेटा की कमी के संदर्भ में चुनौतियाँ बनी रहती हैं। प्रयोगशाला में नई खोजी और डिजाइन की गई सामग्रियों का सफल संश्लेषण एक और बड़ी चुनौती है।

UCSB के सामग्री वैज्ञानिक एंथोनी चीथम ने नेचर में कहा¹ कि DeepMind, Alphabet (Google) की सहायक कंपनी द्वारा विकसित AI टूल GNoME द्वारा खोजे गए 2.2 मिलियन काल्पनिक क्रिस्टलों की सूची की जांच करने के बाद, “एक यौगिक की खोज करना एक बात है, और एक नई कार्यात्मक सामग्री की खोज करना पूरी तरह अलग बात है।”

कई AI‑पूर्वानुमानित यौगिकों की व्यावहारिकता की कमी को आगे बताते हुए, चीथम ने कहा:

“हमें कई ऐसी चीज़ें मिलीं जो बेतुकी थीं।”

यह भविष्यवाणी और व्यावहारिक कार्यान्वयन के बीच अंतर को दर्शाता है। इस अंतर को पाटने के लिए AI को मानव विशेषज्ञता और प्रयोगात्मक विज्ञान के साथ संयोजित करना आवश्यक है।

फिर भी, सामग्री विज्ञान में क्रांति लाने की AI की क्षमता को नज़रअंदाज़ नहीं किया जा सकता। ऊर्जा, स्वास्थ्य देखभाल, ऑटोमोबाइल, एयरोस्पेस और अन्य महत्वपूर्ण अनुप्रयोगों के लिए सामग्री के तेज़ विकास की इसकी क्षमता को देखते हुए, इसका प्रभाव बहुत बड़ा है जिसे अनदेखा नहीं किया जा सकता।

तो, चलिए AI के सामग्री विज्ञान में अनुप्रयोग के कुछ प्रमुख उदाहरणों को देखते हैं जो सामग्री खोज और नवाचार की सीमाओं को आगे बढ़ाने की इसकी संभावनाओं को दर्शाते हैं।

स्क्रॉल करने के लिए स्वाइप →

1. पेरोव्स्काइट सोलर सेल्स: AI‑ऑप्टिमाइज़्ड सामग्री और प्रोसेसिंग

सतत ऊर्जा प्राप्त करने के सबसे आशाजनक समाधान में से एक सौर ऊर्जा है, और इसका अपनाना तेजी से बढ़ रहा है। 2024 में, दुनिया ने रिकॉर्ड ~600 GW सौर ऊर्जा स्थापित की, जो 2023 से 33% बढ़ी। दशक के अंत तक, यह लगभग ~1 TW प्रति वर्ष तक पहुँचने की उम्मीद है।

सौर ऊर्जा की बढ़ती मांग अधिक कुशल, बहुमुखी और किफायती सौर सेल सामग्री की आवश्यकता पैदा करती है।

पेरोव्स्काइट एक ऐसी सामग्री है जो अनोखी क्रिस्टलीय संरचना प्रदान करती है।प्राकृतिक रूप से मौजूद खनिज अब कृत्रिम रूप से पुनः निर्मित किया जा सकता है। कार्बनिक और अकार्बनिक तत्वों को मिलाकर, वैज्ञानिक सिंथेटिक पेरोव्स्काइट बनाते हैं जिनमें उल्लेखनीय प्रकाश‑अवशोषण गुण होते हैं, जिससे वे सौर अनुप्रयोगों के लिए अत्यधिक उपयुक्त होते हैं।

उच्च दक्षता के अलावा, इन सामग्रियों में लचीलापन और ट्यून करने योग्य बैंडगैप जैसे लाभ होते हैं, लेकिन स्केलेबिलिटी और स्थिरता की समस्याएँ बनी रहती हैं; इसलिए नई संरचनाओं की खोज जारी है।

इसलिए, शोधकर्ताओं ने पेरोव्स्काइट सोलर सेल्स (PSCs) के प्रदर्शन को सामग्री गुणों और ऊर्जा रूपांतरण प्रक्रियाओं से जोड़ने के लिए एक दशक से अधिक समय पहले AI की ओर रुख किया। उन्होंने फिर इस तकनीक का उपयोग करके सामग्री संरचना को अनुकूलित किया, डिजाइन रणनीतियों को विकसित किया, और प्रदर्शन की भविष्यवाणी की।

2019 में, यूनिवर्सिटी ऑफ सेंट्रल फ्लोरिडा के शोधकर्ताओं ने पेरोव्स्काइट पर 2,000 से अधिक सहकर्मी‑समीक्षित प्रकाशनों की समीक्षा की² और 200 से अधिक डेटा पॉइंट एकत्र किए, जिन्हें उन्होंने बनाए हुए AI सिस्टम में डाला ताकि पेरोव्स्काइट सोलर सेल्स (PSC) के लिए सर्वोत्तम रेसिपी प्राप्त की जा सके। उसी वर्ष, MIT के वैज्ञानिकों ने एक मॉडल विकसित किया³ जो नए यौगिकों के संश्लेषण और विश्लेषण को दस गुना तेज़ करता है और दो नए लीड‑फ्री पेरोव्स्काइट पाए जो आगे की जांच के योग्य हैं।

2022 में, MIT और स्टैनफ़ोर्ड विश्वविद्यालय के शोधकर्ताओं ने AI की मदद से उन्नत सोलर सेल निर्माण को स्केल‑अप करने की रिपोर्ट की⁴।

इसके लिए, कई वर्षों से विकसित एक सिस्टम बनाया गया, जो पूर्व प्रयोगों के डेटा और अनुभवी कर्मचारियों के व्यक्तिगत अवलोकनों को एकीकृत करता है। इस एकीकरण ने परिणामों को अधिक सटीक बनाया और पेरोव्स्काइट सेल्स के उत्पादन को 18.5% ऊर्जा रूपांतरण दक्षता के साथ संभव किया।

यह अधिकांश मशीन‑लर्निंग सिस्टमों से अलग है, जो मुख्यतः कच्चा डेटा उपयोग करते हैं और आमतौर पर मानव अनुभव को शामिल नहीं करते। अपने मॉडल में बाहरी जानकारी शामिल करने के लिए, उन्होंने बायेज़ियन ऑप्टिमाइज़ेशन पर आधारित एक प्रायिकता कारक का उपयोग किया, जिससे वे “ऐसे रुझान खोज सके जो पहले नहीं देख पाए थे”।

AI की मदद से उन्नत पेरोव्स्काइट सोलर तकनीक की खोज जारी है और PSC दक्षता बढ़ाने के लिए गति प्राप्त कर रही है। एक ऐसे अध्ययन मेंअध्ययन⁵ में, दक्षता को 26.2% तक बढ़ाया गया, जबकि “बहुत बड़ी मात्रा में समय और संसाधनों की बचत” हुई।

⬆ तालिका पर वापस जाएँ

2. हाइड्रोजन उत्पादन के लिए AI‑खोजे गए इलेक्ट्रोकैटलिस्ट्स

गैर‑नवीकरणीय जीवाश्म ईंधनों के लिए एक आशाजनक विकल्प, जो विशाल मात्रा में ग्रीनहाउस गैस (GHG) उत्सर्जन के लिए जिम्मेदार हैं, हाइड्रोजन है। ब्रह्मांड में सबसे प्रचुर तत्व, हाइड्रोजन, एक स्वच्छ और नवीकरणीय ऊर्जा स्रोत के रूप में उभरा है।

हालाँकि, हाइड्रोजन का कुशल उत्पादन जो वाणिज्यिक‑स्तर की मांग को पूरा करे, एक गंभीर चुनौती है। यहाँ, जल विभाजन इलेक्ट्रोलिसिस एक आशाजनक मार्ग प्रदान करता है, जहाँ इलेक्ट्रोकैटलिसिस महत्वपूर्ण भूमिका निभाता है। यह कम‑लागत, सक्रिय और स्थिर इलेक्ट्रोकैटलिस्ट्स के विकास को आवश्यक बनाता है ताकि जल विभाजन से वांछित इलेक्ट्रोकैटलिटिक हाइड्रोजन उत्पादन प्राप्त किया जा सके।

इलेक्ट्रोकैटलिस्ट्स जल विभाजन के लिए आवश्यक ऊर्जा को कम करके हाइड्रोजन उत्पादन को तेज़ करते हैं, चाहे वह प्लैटिनम जैसे महंगे कीमती धातुओं का उपयोग हो या निकेल, कोबाल्ट, ग्रैफ़ीन, MXenes और अन्य जैसे अधिक किफायती विकल्पों का।

सामग्री के गुणों और लागत के अलावा, विशिष्ट कैटलिस्ट को इस आधार पर चुना जाता है कि प्रतिक्रिया अम्लीय, क्षारीय है या उच्च तापमान पर कार्य करती है।

हालाँकि, मौजूदा और नई उपयुक्त सामग्रियों की खोज के लिए पारम्परिक परीक्षण‑और‑त्रुटि विधि का उपयोग बहुत समय‑साध्य और महंगा है, जिससे प्रतिक्रियाओं में सुधार हो सके, इसलिए AI का उपयोग⁶ पारम्परिक दृष्टिकोणों की सीमाओं को पार करने, नए उम्मीदवारों की खोज करने और ज्ञात उत्पादों में सुधार करने के लिए किया जा रहा है।

एक हालिया अध्ययन ने बताया⁷ कि उसका एंट्रॉपी‑स्क्रीन किया गया AI, जो DoE डेटासेट पर प्रशिक्षित था, 16.2 मिलियन रासायनिक संरचनाओं को देख कर Fe12Co28Ni33Mo17Pd5Pt5 को जल विभाजन के लिए सर्वश्रेष्ठ संरचना के रूप में पहचाना। यह मिश्रधातु दोनों मूलभूत इलेक्ट्रोकैटलिटिक प्रतिक्रियाओं, HER और OER, के लिए अत्यंत कम ओवरपोटेंशियल दिखाती है, जबकि मजबूत स्थिरता रखती है।

इसी बीच, कुछ साल पहले, Google AI लैब DeepMind ने योगदान दिया, जिसमें 380,000 नए यौगिक Materials Project में जोड़े गए, जो कई कैटलिस्ट खोजों और स्वायत्त प्रयोगों की नींव है।

डिपार्टमेंट ऑफ एनर्जी के बर्कले लैब में स्थापित ओपन‑एक्सेस डेटाबेस का उपयोग शोधकर्ताओं द्वारा नई सामग्रियों में उपयोगी गुणों की प्रयोगात्मक पुष्टि के लिए किया गया है, जो कार्बन कैप्चर, फोटो‑कैटलिस्ट, थर्मोइलेक्ट्रिक और पारदर्शी कंडक्टर्स के रूप में उपयोग की संभावनाएँ दिखाते हैं।

डेटाबेस में यह शामिल है कि सामग्री के परमाणु कैसे व्यवस्थित हैं और उसकी स्थिरता कितनी है। GNoME को इस डेटा और वर्कफ़्लो का उपयोग करके प्रशिक्षित किया गया था, जो प्रोजेक्ट द्वारा विकसित किए गए थे और फिर सक्रिय लर्निंग के माध्यम से सुधार किया गया।

Google DeepMind के GNoME की गणनाओं को Materials Project के डेटा के साथ उपयोग करके, शोधकर्ताओं ने बर्कले लैब के A‑Lab का परीक्षण किया, जहाँ AI रोबोटों को नई सामग्री बनाने में मार्गदर्शन करता है। A‑Lab ने सफलतापूर्वक उत्पादन किया⁸ 41 नए यौगिक।

⬆ तालिका पर वापस जाएँ

3. सुपरहार्ड सामग्री: हीरे से परे ML‑निर्देशित खोज

सैन्य, एयरोस्पेस और ऊर्जा उत्पादन जैसे उद्योगों को सुपरहार्ड सामग्री की आवश्यकता होती है, जो लगभग अपरिवर्तनीय ठोस होते हैं। इन सामग्रियों की कठोरता वैकर्स स्केल पर 40 गिगापास्कल (GPa) से अधिक होती है, और इनके बंधन में उच्च कोवैलेंटता और उच्च इलेक्ट्रॉन घनत्व होता है।

हीरा अब तक ज्ञात सबसे कठोर सामग्री है, जिसकी कठोरता 70‑150 GPa के बीच होती है। इसका मतलब है कि हीरे की सतह पर कोई निशान बनाने के लिए 70‑150 GPa से अधिक दबाव आवश्यक होगा। परिणामस्वरूप, इसे कटिंग टूल्स, घर्षण सामग्री, घिसाव‑प्रतिरोधी कोटिंग्स और उच्च‑दाब प्रयोगों के निर्माण में उपयोग किया जाता है।

ये कीमती पत्थर, जो कार्बन तत्व का ठोस रूप हैं और उनके परमाणु हीरे के क्यूबिक क्रिस्टल संरचना में व्यवस्थित होते हैं, वैज्ञानिकों द्वारा नई उपयुक्त सामग्री खोजने में भी उपयोग किए जाते हैं। लेकिन AI ने इसे बदल दिया है।

वर्षों के दौरान, कई शोधकर्ताओं ने नई सुपरहार्ड चरणें खोजी हैं, जिसमें एक ने BC10N, B4C5N3, और B2C3N को गतिशील रूप से स्थिर चरणों के रूप में रिपोर्ट किया है, जिनकी कठोरता मान > 40 GPa है।

2020 में, यूनिवर्सिटी ऑफ ह्यूस्टन और मैनहट्टन कॉलेज के शोधकर्ताओं ने एक ML मॉडल का उपयोग किया¹¹ ताकि नई सामग्रियों की कठोरता को सटीक रूप से भविष्यवाणी किया जा सके, जिससे उन्हें उपयुक्त यौगिकों को आसानी से खोजने में मदद मिली।

किसी सामग्री की सतह पर कोई निशान बनाने के लिए आवश्यक उच्च दबाव उन्हें दुर्लभ बनाता है, और “नई सामग्री की पहचान चुनौतीपूर्ण है।” यही कारण है कि “सिंथेटिक हीरे जैसी सामग्री अभी भी उपयोग की जाती है, भले ही उन्हें बनाना चुनौतीपूर्ण और महंगा हो,” विश्वविद्यालय ऑफ ह्यूस्टन के रसायन विज्ञान के एसोसिएट प्रोफेसर जाकोआह ब्रगोच ने कहा।

यहाँ एक जटिल कारक लोड निर्भरता है, जिसका अर्थ है कि सामग्री की कठोरता लागू किए गए दबाव की मात्रा के आधार पर बदल सकती है। यह सामग्री के प्रयोगात्मक परीक्षण को जटिल बनाता है। यहां तक कि कम्प्यूटेशनल मॉडलिंग का उपयोग भी लगभग असंभव है, इसलिए शोधकर्ताओं ने एक मॉडल बनाया जो केवल सामग्री की रासायनिक संरचना के आधार पर लोड‑निर्भर वैकर्स कठोरता की भविष्यवाणी करके इस चुनौती को पार करता है।

एल्गोरिदम 560 विभिन्न यौगिकों वाले डेटाबेस पर आधारित था, जिसके लिए सैकड़ों शैक्षणिक लेखों को देखना आवश्यक था। “सभी अच्छे मशीन लर्निंग प्रोजेक्ट्स एक अच्छे डेटासेट से शुरू होते हैं,” ब्रगोच ने कहा। “सच्ची सफलता मुख्यतः इस डेटासेट के विकास में है।”

परिणामस्वरूप, उन्होंने 10 से अधिक नई स्थिर बोरोकर्बाइड चरणें पाईं, और मॉडल की 97% सटीकता के साथ, वे प्रयोगशाला में सफलता प्राप्त करने के बारे में आशावादी हैं।

हालांकि, ब्रगोच ने कहा कि AI के बिना सीमाएँ नहीं हैं, “मशीन लर्निंग का उपयोग करने का विचार यह नहीं है कि ‘यहाँ अगली सबसे बड़ी सामग्री है’, बल्कि हमारे प्रयोगात्मक खोज को मार्गदर्शन करने में मदद करना है।” तकनीक यह करती है कि “यह आपको बताती है कि आपको कहाँ देखना चाहिए।”

⬆ तालिका पर वापस जाएँ

4. पॉलीमर डाइइलेक्ट्रिक्स: AI‑त्वरित ऊर्जा‑भंडारण सामग्री

आधुनिक ऊर्जा भंडारण का एक आवश्यक घटक डाइइलेक्ट्रिक्स हैं, जो हवा, काँच और प्लास्टिक जैसे गैर‑विधायक सामग्री हैं।

डाइइलेक्ट्रिक सामग्री का चयन ही कैपेसिटर की ऊर्जा घनत्व को निर्धारित करता है, और पॉलीमर डाइइलेक्ट्रिक्स को उनकी कम लागत, यांत्रिक लचीलापन, विश्वसनीयता, तेज़ डिस्चार्ज गति और प्रसंस्करण की आसान प्रक्रिया के कारण ऊर्जा भंडारण में व्यापक रूप से उपयोग किया जाता है। लेकिन फिर भी, उनकी कम ऊर्जा घनत्व एक समस्या है।

परिणामस्वरूप, शोधकर्ता निरंतर नई पॉलीमर डाइइलेक्ट्रिक्स विकसित करके उनके ऊर्जा भंडारण क्षमता को बढ़ाने के लिए प्रदर्शन में सुधार की तलाश करते हैं, जो पावर सिस्टम, इलेक्ट्रॉनिक्स और इलेक्ट्रिक वाहन (EVs) में उपयोगी हैं।

AI ने पॉलीमर सामग्री में अद्भुत प्रगति की है। उदाहरण के लिए, कुछ महीने पहले, MIT और ड्यूक विश्वविद्यालय के शोधकर्ताओं ने तनाव‑प्रतिक्रियाशील क्रॉसलिंकर अणुओं को शामिल करके अधिक टिकाऊ पॉलीमर बनाए¹², जिन्हें AI ने पहचाना। MIT के शोधकर्ताओं ने एक सिस्टम भी बनाया¹³ जो प्रतिदिन 700 नई पॉलीमर मिश्रणों को खोजता, मिश्रित करता और परीक्षण करता है, जैसे बैटरी इलेक्ट्रोलाइट, प्रोटीन स्थिरीकरण, या दवा‑डिलीवरी सामग्री के अनुप्रयोगों के लिए।

नई पॉलीमर मिश्रणों को डिजाइन करना लगभग अनंत संभावित पॉलीमर की संख्या की समस्या प्रस्तुत करता है, और एक बार कुछ को मिश्रण के लिए चुना जाने पर, प्रत्येक पॉलीमर की संरचना और मिश्रण में पॉलीमर की सांद्रता का चयन करना पड़ता है।

“इतनी बड़ी डिजाइन स्पेस के लिए एल्गोरिदमिक समाधान और उच्च‑थ्रूपुट वर्कफ़्लो आवश्यक होते हैं क्योंकि आप सभी संयोजनों को बलपूर्वक परीक्षण नहीं कर सकते।”

– पेपर के वरिष्ठ लेखक, कॉनर कोली

उनके AI सिस्टम ने उन्हें इष्टतम मिश्रण प्रदान किए, जिसमें सबसे अच्छा मिश्रण अपने व्यक्तिगत घटकों की तुलना में 18% बेहतर प्रदर्शन करता है।

AI द्वारा नई पॉलीमर विकल्प और मिश्रण प्रदान करने की दक्षता को देखते हुए, यह समझ में आता है कि इस तकनीक को लागू किया जाए¹⁴ बेहतर पॉलीमर डाइइलेक्ट्रिक्स की पहचान करने के लिए बेहतर पॉलीमर डाइइलेक्ट्रिक्स¹⁵।

शोधकर्ताओं की एक टीम ने यही किया और खोजा¹⁶ उच्च तापमान पर व्यावसायिक विकल्पों की तुलना में 11 गुना ऊर्जा घनत्व वाले डाइइलेक्ट्रिक्स।

नवाचारी एल्गोरिदम को पॉलीमर के गुणों और सूत्रीकरण की भविष्यवाणी करने के लिए विकसित किया गया है, इससे पहले कि उन्हें वास्तव में बनाया जाए। इसके लिए, उन्होंने पहले विशिष्ट आवश्यकताओं को परिभाषित किया और फिर मौजूदा सामग्री‑गुण डेटा पर ML मॉडल को प्रशिक्षित करके वांछित परिणामों की भविष्यवाणी की।

AI के अलावा, शोधकर्ताओं ने स्थापित पॉलीमर रसायन विज्ञान और आणविक इंजीनियरिंग का उपयोग करके पॉलीनोर्बोर्नीन और पॉलीइमाइड परिवारों में डाइइलेक्ट्रिक्स की एक श्रृंखला खोजी, जिनमें से कई ने व्यापक तापमान सीमा में उच्च ऊर्जा घनत्व और उच्च थर्मल स्थिरता प्रदर्शित की।

लेकिन एक विशेष डाइइलेक्ट्रिक ने 200 °C पर 8.3 J cc⁻¹ की ऊर्जा घनत्व प्रदर्शित की, जो व्यावसायिक रूप से उपलब्ध पॉलीमर डाइइलेक्ट्रिक से बहुत अधिक है।

“सामग्री विज्ञान में AI के शुरुआती दिनों में, व्हाइट हाउस की मैटेरियल्स जीनोम पहल द्वारा एक दशक पहले प्रेरित, इस क्षेत्र में शोध मुख्यतः जिज्ञासा‑प्रेरित था। केवल हाल के वर्षों में हमने AI‑प्रेरित तेज़ पॉलीमर खोज में ठोस, वास्तविक‑विश्व सफलता की कहानियाँ देखनी शुरू की हैं,” सह‑लेखक राम्पी रामप्रसाद, जॉर्जिया इंस्टीट्यूट ऑफ टेक्नोलॉजी के प्रोफेसर ने कहा। “ये सफलताएँ अब औद्योगिक सामग्री R&D परिदृश्य में महत्वपूर्ण परिवर्तन को प्रेरित कर रही हैं।”

⬆ तालिका पर वापस जाएँ

5. सॉलिड‑स्टेट इलेक्ट्रोलाइट्स: सुरक्षित, उच्च‑घनत्व बैटरियों के लिए AI

पोर्टेबल डिवाइस और EVs के व्यापक अपनाने और नवीकरणीय ऊर्जा भंडारण समाधान की बढ़ती मांग से प्रेरित, वैश्विक बैटरी बाजार तेजी से आगे बढ़ रहा है¹⁷। बैटरियों की आधुनिक दुनिया में महत्वपूर्ण भूमिका को देखते हुए, वैज्ञानिक लगातार अधिक ऊर्जा‑कुशल और सुरक्षित बैटरी तकनीक विकसित करने का प्रयास कर रहे हैं।

जबकि लिथियम‑आयन बैटरियां आज सबसे अधिक उपयोग की जाती हैं, उनका जीवनकाल सीमित है और सुरक्षा जोखिम होते हैं, जिन्हें सॉलिड‑स्टेट बैटरियां (SSBs) द्वारा समाधान किया गया है।

ये बैटरियां तरल इलेक्ट्रोलाइट को सॉलिड‑स्टेट इलेक्ट्रोलाइट से बदलती हैं ताकि उच्च तापमान पर जलन के जोखिम को समाप्त किया जा सके, साथ ही उच्च ऊर्जा घनत्व और बेहतर टिकाऊपन को सक्षम किया जा सके, जिससे सुरक्षित और अधिक शक्तिशाली बैटरियां बनती हैं।

लेकिन सॉलिड इलेक्ट्रोलाइट वाली इन बैटरियों को अपनी चुनौतियों का सामना करना पड़ता है, जैसे कम आयनिक चालकता, इलेक्ट्रोड इंटरफ़ेस संगतता, यांत्रिक और रासायनिक स्थिरता, और लागत‑प्रभावी निर्माण। इसलिए, शोधकर्ता इन समस्याओं को AI के माध्यम से पार करने वाली सामग्रियों की खोज कर रहे हैं।

आज हमने जिन अन्य क्षेत्रों पर चर्चा की, उनके विपरीत, बैटरियां AI के अनुप्रयोग¹⁸ के सबसे गर्म क्षेत्रों में से एक हैं, क्योंकि प्रमुख कार निर्माताओं और स्टार्ट‑अप्स ने सॉलिड‑स्टेट बैटरियों के R&D में भारी निवेश किया है। सुरक्षा जोखिम के अलावा, इस क्षेत्र ने बड़े डेटाबेस भी इकट्ठा किए हैं, जो ML मॉडल को प्रशिक्षित करने के लिए पर्याप्त समृद्ध हैं।

सरकारों ने भी SSBs को घरेलू आपूर्ति श्रृंखलाओं को सुरक्षित करने और राष्ट्रीय ऊर्जा एवं जलवायु लक्ष्यों को प्राप्त करने के लिए एक रणनीतिक प्राथमिकता के रूप में सूचीबद्ध किया है।

इसलिए, कई उदाहरण हैं जहाँ AI ने शोधकर्ताओं और कंपनियों को नई सॉलिड इलेक्ट्रोलाइट्स खोजने में मदद की है¹⁹।

पिछले वर्ष, माइक्रोसॉफ्ट के शोधकर्ताओं ने AI को सुपरकंप्यूटरों के साथ मिलाकर 32 मिलियन संभावित अकार्बनिक सामग्रियों को छांटा और कुछ ही दिनों में 18 आशाजनक उम्मीदवारों को खोजा²⁰। नया पदार्थ, N2116, एक सॉलिड‑स्टेट इलेक्ट्रोलाइट है जो बैटरियों में लिथियम उपयोग को 70% तक कम कर सकता है और इसे एक बल्ब चलाने के लिए परीक्षण किया गया है।

इसी बीच, DeepMind के AI टूल GNoME ने 528 आशाजनक लिथियम‑आयन कंडक्टर्स की पहचान की है²¹, जिनमें से कुछ बैटरियों को अधिक कुशल बनाने में मदद कर सकते हैं।

फिर Stanford के शोधकर्ताओं द्वारा विकसित LBS²² (Li8B10S19) है, जिन्हें उन्होंने “हमने अब तक प्रयोगात्मक रूप से देखी गई सबसे स्थिर, सल्फर‑आधारित लिथियम‑आयन इलेक्ट्रोलाइट” कहा। शोधकर्ताओं ने लगभग एक दशक पहले AI के माध्यम से लिथियम‑आयन बैटरियों में ज्वलनशील तरल इलेक्ट्रोलाइट को भविष्य में बदलने के लिए सॉलिड इलेक्ट्रोलाइट की पहचान की थी²³।

⬆ तालिका पर वापस जाएँ

निष्कर्ष

ये उदाहरण दर्शाते हैं कि AI नई सामग्री की खोज को तेज़ कर सकता है। अब चुनौती यह है कि कंप्यूटर भविष्यवाणियों को वास्तविक परिणामों में बदलना, जिसका अर्थ है AI को अनुभवी शोधकर्ताओं और विश्वसनीय डेटा के साथ जोड़ना।</