ମଲକ୍ୟୁଲ୍ ପ୍ରତିକ୍ରିୟା ଏବଂ ସାମଗ୍ରୀ ପ୍ରତ୍ୟାଶାରେ ନୂଆ ଉନ୍ନତି

ଏହା ହେଉଛି ଗଣନାତ୍ମକ ରସାୟନବିଦ୍ୟାରେ ଅନ୍ୟତମ ଉନ୍ନତି ଉପରେ ଏକ ଲେଖାର ପୁନଃଲେଖନ, ଯେଉଁଥିରେ ଦ୍ୟାନ ଦିଆଯାଇଛି Coupled-Cluster Theory (CCSD(T)), Neural Network (MEHnet), ଏବଂ Density Functional Theory (DFT)-ର ଭୂମିକା ଉପରେ। ମୁଖ୍ୟ କୀୱାର୍ଡ୍ସ ଅଙ୍ଗ୍ରେଜୀରେ ରଖାଯାଇଛି।

ଅଲକ୍ମିରୁ ମାଟେରିଆଲ୍ ସାଇନ୍ସ ପର୍ଯ୍ୟନ୍ତ ଗାଁଜାଞ୍ଚ

ସାମଗ୍ରୀ ଡିଜାଇନ୍ କରିବାର ଯାତ୍ରା ଏବେ ଜଣା ଗାନ୍ତି ମୁଖରୁ ଦୂରେ ଆସିଛି। ଗତ ସଂଘର୍ଷରେ, ଅଲକ୍ମିସ୍ଟମାନେ ସରଳ ଧାତୁ ଗୁଡ଼ିକୁ ସୁନାରେ ପରିବର୍ତ୍ତନ କରିବାକୁ ଉତ୍ସୁକ ଥିଲେ। ଆଜିରେ, Periodic Table ଏବଂ ଆଧୁନିକ Computational Tools ଦ୍ୱାରା ଉତ୍ତରଦାୟୀ ଅଭିଗମ ଆରମ୍ଭ ହୋଇଛି। ଏଥିରେ Machine Learning (ML) ଏବଂ Neural Networks ବ୍ୟବହାର କରି ମଲକ୍ୟୁଲ୍ ଏବଂ ସାମଗ୍ରୀର ଗୁଣ ଅଧିକ ନିଶ୍ଚିତ ଭାବରେ ଆକଳନ କରାଯାଉଛି।

ଏବରୁ କଣ DFT ସୀମିତ ରହିଛି?

Density Functional Theory (DFT) ର ବ୍ୟବହାର ଏବେ ବ୍ୟାପକ ଅଟେ, କିନ୍ତୁ ଏହାର ସୀମାନା ରହିଛି। ଏହା ମଧ୍ୟମରେ କେବଳ ମଲକ୍ୟୁଲ୍-ର ଗ୍ରାଉଣ୍ଡ ଷ୍ଟେଟ୍ ଏନର୍ଜିକୁ ଏକ ନିଶ୍ଚିତ ରୂପ ଦିଆଯାଇଥାଏ। ଏହାର ସତ୍ୟତା ସବୁ ସମୟରେ ଶ୍ରେଷ୍ଠ ନ ଥାଇପାରେ, ଯାହାକି ବଡ଼ ମୋଳକ୍ୟୁଲକୁ ବ୍ୟବସ୍ଥା କରିବାରେ ଅସମର୍ଥ କରିଥାଏ।

CCSD(T)-ର ଅବଦାନ

Coupled-Cluster Theory (CCSD(T)) ର ବ୍ୟବହାର Quantum Chemistry-ରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ଶ୍ରେଷ୍ଠ ମାନା ମାନାଯାଇଛି। ଏହା ଆହୁରି ଶୁଠୁକ ତଥ୍ୟ ଦିଆଯାଏ, କିନ୍ତୁ ଏହାର ଗଣନା ଖର୍ଚ୍ଚ ଅନେକ ଅଧିକ। ପରିଷ୍କାର ଭାବେ କହାଯାଏ, ମୋଳକ୍ୟୁଲର ଆକାଳନ କରିବାକୁ ଏହା ବିଶେଷତଃ ଛୋଟ ଆକାରରେ ସୀମିତ ଥାଏ।

MEHnet ଓ ଏହାର ଉନ୍ନତିଗୁଡ଼ିକ

MIT-ର ଗବେଷକମାନେ Neural Network Architecture ତିଆରି କରିଛନ୍ତି, ଯାହା CCSD(T) ର ଅପ୍ରୟୋଗ କରି ବ୍ୟବହାର କରାଯାଇଛି। Multi-task Electronic Hamiltonian Network (MEHnet) ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗୁଣଗୁଡ଼ିକୁ ଆକଳନ କରି ପାରେ:

Dipole and Quadrupole Moments
Electronic Polarizability
Optical Excitation Gap
Infrared Absorption Spectra

ଏହାର ଗ୍ରାଫ୍ ନେଟୱାର୍କ ଆର୍କିଟେକ୍ଚର E(3)-equivariant Graph Neural Network ଭାବେ ଗଢ଼ାଯାଇଛି, ଯେଉଁଠାରେ ଏକ ଅଟମ ଏବଂ ତା’ର ବନ୍ଧନଗୁଡ଼ିକୁ ଲେଖିତ ଯୋଗାଯୋଗ କରାଯାଏ।

ଆବିଷ୍କାରର ଭବିଷ୍ୟତ ଅନ୍ତର୍ଦୃଷ୍ଟି

ଏହି ଅନୁଶୀଳନରେ ନୂଆ ତଥ୍ୟ ତିଆରି ହେବା ସହ ସାମଗ୍ରୀ ଏବଂ ଯୋଗସାଜସଜ୍ଜାରେ ବ୍ୟବହାର ଆଶା ରହିଛି।
ଅନ୍ୟ ବିଷୟରେ ଆବଶ୍ୟକ ସଂସାଧନ ମଧ୍ୟ ବିକାଶ ହେବ ଏବଂ ବ୍ୟବସାୟରେ ତୁଙ୍ଗ ଲଭାଯାଇପାରିବ।