ನ್ಯಾನೊಪೋರ್ ಗುಣಸ್ವಭಾವ ಊಹಿಸಲು ಎಂಎಲ್ ಮಾದರಿಗಳಿಗೊಂದು ‘ಭಾಷೆ’

20 ನವೆಂಬರ್ 2024

– ಪಾರ್ಥ್ ಕುಮಾರ್

ಗ್ರ್ಯಾಫೀನ್ ನಂತಹ ತೆಳುವಾದ ಬಿಲ್ಲೆಯಂತಹ (2ಡಿ) ವಸ್ತುಗಳು ನ್ಯಾನೊಗಾತ್ರದ ರಂಧ್ರಗಳನ್ನು (ನ್ಯಾನೊಪೋರ್) ಹೊಂದಿರುತ್ತವೆ. ಪರಮಾಣುಗಳು ನಾಪತ್ತೆಯಾಗುವ ಕಾರಣಕ್ಕೆ ರೂಪುಗೊಳ್ಳುವ ಈ ರಂಧ್ರಗಳ ಮೂಲಕ ಅನ್ಯ ಕಣಗಳು ಹಾದುಹೋಗಬಹುದಾಗಿರುತ್ತದೆ. ಈ ನ್ಯಾನೊಪೋರ್ ಗಳ ಗುಣಸ್ವಭಾವಗಳು ಆಯಾ ವಸ್ತುವಿನ ಬಹಳಷ್ಟು ಗುಣಧರ್ಮಗಳನ್ನು ನಿರ್ದೇಶಿಸುತ್ತವೆ. ಆ ಮೂಲಕ, ವಸ್ತುಗಳಿಗೆ ಅನಿಲಗಳ ಇರುವಿಕೆ ಗುರುತಿಸಲು, ಸಮುದ್ರದ ನೀರನ್ನು ಶುದ್ಧೀಕರಣಗೊಳಿಸಲು ಹಾಗೂ ಡಿಎನ್ಎ ಅನುಕ್ರಮಣಗೊಳಿಸಲು ಸಹಕಾರಿಯಾಗುತ್ತವೆ.

“ಆದರೆ, ತೊಡಕಿನ ಸಂಗತಿಯೇನೆಂದರೆ, ಈ 2 ಡಿ ವಸ್ತುಗಳು (ಪದರದಂತಿರುವ ವಸ್ತುಗಳು) ಆಕಾರ ಹಾಗೂ ಅಳತೆ ಇವೆರಡಕ್ಕೂ ಸಂಬಂಧಿಸಿದಂತೆ ವಿಶಾಲಶ್ರೇಣಿಯ ನ್ಯಾನೊಪೋರ್ ಗಳ ವಿತರಣೆಯನ್ನು ಹೊಂದಿರುತ್ತವೆ” ಎನ್ನುತ್ತಾರೆ ಭಾರತೀಯ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆಯ (ಐ.ಐ.ಎಸ್.ಸಿ) ಕೆಮಿಕಲ್ ಎಂಜಿನಿಯರಿಂಗ್ ವಿಭಾಗದ ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕ ಅನಂತ್ ಗೋವಿಂದ್ ರಾಜನ್. “ವಸ್ತುವಿನಲ್ಲಿ ಏನು ರೂಪುಗೊಳ್ಳಲಿದೆ ಎಂಬುದು ನಿಮಗೆ ಗೊತ್ತಿರುವುದಿಲ್ಲ. ಹೀಗಾಗಿ, ಉಂಟಾಗಲಿರುವ ಪದರದ ಗುಣಸ್ವಭಾವ ಏನಾಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು ತುಂಬಾ ಕಷ್ಟ”.

ಕುತೂಹಲಕರ ಹೊಸ ಗುಣಸ್ವಭಾವಗಳನ್ನು ಅನಾವರಣಗೊಳಿಸುವುದಕ್ಕೆ ಪೂರಕವಾಗಿ ನ್ಯಾನೊಪೋರ್ ಗಳ ಸಂರಚನೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳು ಪ್ರಬಲ ಸಾಧನಗಳಾಗಿ ಒದಗಿಬರಬಲ್ಲವು. ಆದರೆ, ನ್ಯಾನೊಪೋರ್ ನ ಆಕಾರ ಹೇಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವುದು ಈ ಮಾದರಿಗಳಿಗೆ ಪ್ರಯಾಸಕರ ಸಂಗತಿಯಾಗಿರುತ್ತದೆ.

ಇದಕ್ಕೆ ಪರಿಹಾರ ಕಂಡುಹಿಡಿಯುವ ದಿಸೆಯಲ್ಲಿ, ಗೋವಿಂದ ರಾಜನ್ ಅವರ ಪ್ರಯೋಗಾಲಯವು ನ್ಯಾನೊಪೋರ್ ಗಳ ಆಕಾರ ಹಾಗೂ ಸಂರಚನೆಯನ್ನು ಲಿಪಿಗಳ (ಕ್ಯಾರೆಕ್ಟರ್ ಗಳ) ಅನುಕ್ರಮಣಿಕೆಯ ಸ್ವರೂಪದಲ್ಲಿ ಗೂಢಲಿಪೀಕರಣಗೊಳಿಸುವ (ಎನ್ ಕೋಡ್) ಹೊಸ ಭಾಷೆಯನ್ನು ರೂಪಿಸಿದ್ದುಲ, ಈ ಕುರಿತ ಅಧ್ಯಯನ ವರದಿಯು ‘ಜರ್ನಲ್ ಆಫ್ ದಿ ಅಮೆರಿಕನ್ ಕೆಮಿಕಲ್ ಸೊಸೈಟಿ’ ನಿಯತಕಾಲಿಕದಲ್ಲಿ ಪ್ರಕಟಗೊಂಡಿದೆ. ವಿಶಾಲ ಶ್ರೇಣಿಯ ವಸ್ತುಗಳಲ್ಲಿ ನ್ಯಾನೊಪೋರ್ ಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹೆ ಮಾಡುವುದಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಯಾವುದೇ ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಈ ಭಾಷೆಯನ್ನು ಬಳಸಬಹುದಾಗಿರುತ್ತದೆ.

ಇದನ್ನು ‘ಸ್ಟ್ರಾಂಗ್’ (STRONG), ಎಂದರೆ, ಸ್ಟ್ರಿಂಗ್ ರೆಪ್ರೆಸೆಂಟೇಷನ್ ಆಫ್ ನ್ಯಾನೊಪೋರ್ ಜಾಮಿಟ್ರಿ ಎನ್ನಲಾಗುತ್ತದೆ. ಈ ಭಾಷೆಯು, ವಿಭಿನ್ನ ಪರಮಾಣು ಸಂಯೋಜನೆಗಳಿಗೆ ವಿಭಿನ್ನ ಅಕ್ಷರಗಳನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ ಹಾಗೂ ನ್ಯಾನೊಪೋರ್ ನ ಆಕಾರವನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಸೂಚಿಸಲು ಅದರ ಅಂಚಿನಲ್ಲಿ ಎಲ್ಲಾ ಪರಮಾಣುಗಳ ಅನುಕ್ರಮಣಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಸಂಪೂರ್ಣವಾಗಿ ಬಂಧಗೊಂಡ ಪರಮಾಣವು (ಮೂರು ಬಾಂಡ್ ಗಳು) ‘ಎಫ್’ ಎಂದು ಪ್ರತಿನಿಧಿತಗೊಂಡರೆ, ಮೂಲೆಯ ಪರಮಾಣವು (ಎರಡು ಪರಮಾಣುಗಳಿಗೆ ಬಂಧಗೊಂಡ ಪರಮಾಣವು) ‘ಸಿ’ ಎಂದು ಪ್ರತಿನಿಧಿತಗೊಳುತ್ತದೆ. ವಿಭಿನ್ನ ನ್ಯಾನೊಪೋರ್ ಗಳು ತಮ್ಮ ಅಂಚಿನಲ್ಲಿ ವಿಭಿನ್ನ ಬಗೆಯ ಪರಮಾಣಗಳನ್ನು ಹೊಂದಿದ್ದು, ಇವು ಅವುಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿರ್ದೇಶಿಸುತ್ತವೆ. ತಂಡದ ತಜ್ಞರಿಗೆ ಅಂಚಿನಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಪರಮಾಣಗಳಿರುವ ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಸಮಾನವಾದ, ಅಂದರೆ, ಭ್ರಮಣ ಅಥವಾ ಪ್ರತಿಫಲನದಲ್ಲಿ ಹೋಲಿಕೆಯಿರುವ ನ್ಯಾನೊಪೋರ್ ಗಳನ್ನು ಗುರುತಿಸಲು ತ್ವರಿತ ಮಾರ್ಗೋಪಾಯಗಳನ್ನು ರೂಪಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು.. ಇದು, ನ್ಯಾನೊಪೋರ್ ಗುಣಸ್ವಭಾವಗಳನ್ನು ಊಹಿಸುವುದಕ್ಕೆ ಪೂರಕವಾಗಿ ವಿಶ್ಲೇಷಣೆಗೆ ಒಳಪಡಿಸಬೇಕಾದ ಅಗತ್ಯ ದತ್ತಾಂಶ ಪ್ರಮಾಣವನ್ನು ಗಣನೀಯ ಪ್ರಮಾಣದಲ್ಲಿ ಕಡಿತಗೊಳಿಸುತ್ತದೆ.

ಚಾಟ್ ಜಿಪಿಟಿ ಹೇಗೆ ಪಠ್ಯ ದತ್ತಾಂಶವನ್ನು ಊಹಿಸುತ್ತದೋ ಹಾಗೆಯೇ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳು (ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳು) ‘ಸ್ಟಾಂಗ್’ಗಳಲ್ಲಿನ ಅಕ್ಷರಗಳನ್ನು “ರೀಡ್” ಮಾಡಿ ನ್ಯಾನೊಪೋರ್ ಆಕಾರ ಹೇಗಿರಬಹುದು ಎಂಬುದನ್ನು ಗ್ರಹಿಸುವುದರ ಜೊತೆಗೆ ಅದರ ಗುಣಸ್ವಭಾವಗಳು ಏನಾಗಿರಬಹುದು ಎಂಬದನ್ನೂ ಊಹಿಸಬಲ್ಲವು. ದೀರ್ಘ ಅನುಕ್ರಮಣಿಕೆಗಳೊಂದಿಗೆ ಸೂಕ್ತವಾಗಿ ಕಾರ್ಯಾಚರಿಸುವ ಹಾಗೂ ಕಾಲಾನುಕ್ರಮದಲ್ಲಿ ಆಯ್ದ ಮಾಹಿತಿಯನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳಬಲ್ಲ ಅಥವಾ ಮರೆಯಬಲ್ಲ ನ್ಯಾಚುರಲ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ನಲ್ಲಿ ಬಳಸುವ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ನ ನಮೂನೆಯನ್ನು ಬಳಸುವ ಬಗ್ಗೆ ತಜ್ಞರು ಗಮನ ಹರಿಸಿದರು. ಕಂಪ್ಯೂಟರಿಗೆ ವಿಶದವಾಗಿ ಸೂಚನೆಗಳನ್ನು ನೀಡುವ ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರೋಗ್ರ್ಯಾಮಿಂಗ್ ಗಳಿಗಿಂತ ಭಿನ್ನವಾದ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳಿಗೆ, ಇದುವರೆಗೆ ಅವು ಕಂಡರಿಯದ ಸಮಸ್ಯೆಗಳನ್ನು ಹೇಗೆ ಪರಿಹರಿಸಬಹುದು ಎಂಬುದನ್ನು ಸೂತ್ರೀಕರಿಸಲು ತರಬೇತಿ ನೀಡಬಹುದು.

ತಂಡದ ಸಂಶೋಧಕರು ಗೊತ್ತಿರುವ ಗುಣಸ್ವಭಾವಗಳಿಂದ (ಎನರ್ಜಿ ಆಫ್ ಫಾರ್ಮೇಷನ್ ಅಥವಾ ಬ್ಯಾರಿಯರ್ ಟು ಗ್ಯಾಸ್ ಟ್ರ್ಯಾನ್ಸ್ ಪೋರ್ಟ್ ನಂತಹ) ಕೂಡಿದ ಹಲವಾರು ನ್ಯಾನೊಪೋರ್ ಸಂರಚನೆಗಳನ್ನು ಕಲೆಹಾಕಿ, ಅವನ್ನು ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸಿದರು. ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್, ನಿಖರತೆಗೆ ಸಮೀಪವಿರುವ’ ಗಣಿತೀಯ ಫಲನವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಈ ತರಬೇತಿ ದತ್ತಾಂಶವನ್ನು ಬಳಸುತ್ತದೆ. ತದನಂತರ, ಅದನ್ನು, ನ್ಯಾನೊಪೋರ್ ಸಂರಚನೆಯನ್ನು ‘ಸ್ಟ್ರಾಂಗ್’ ಅಕ್ಷರಗಳ ಸ್ವರೂಪದಲ್ಲಿ ನೀಡಿದಾಗ, ಅದರ ಗುಣಸ್ವಭಾವಗಳನ್ನು ಊಹಿಸಲು ಇದನ್ನು ಬಳಸಬಹುದಾಗಿರುತ್ತದೆ.

ಇದು, ರಿವರ್ಸ್ ಎಂಜಿನಿಯರಿಂಗ್ ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಆಸಕ್ತಿಕರ ಸಾಧ್ಯತೆಗಳ ಬಾಗಿಲನ್ನು ಕೂಡ ತೆರೆಯುತ್ತದೆ. ಅಂದರೆ, ಅಪೇಕ್ಷಣೀಯವಾದ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಅನಿಲ
ಪ್ರತ್ಯೇಕಗೊಳಿಸುವಿಕೆಯಲ್ಲಿ ಉಪಯೋಗಿಯಾದ ನಿರ್ದಿಷ್ಟ ಗುಣಸ್ವಭಾವಗಳಿಂದ ಕೂಡಿದ ನ್ಯಾನೊಪೋರ್ ಸಂರಚನೆಯನ್ನು ಸೃಷ್ಟಿಸುವ ಸಾಧ್ಯತೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. “ಸ್ಟ್ರಾಂಗ್ ಗಳು ಮತ್ತು ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳನ್ನು ಬಳಸಿ, ನಾವು ಇಂಧನ ದಹನದಿಂದ ಬಿಡುಗಡೆಗೊಳ್ಳುವ ಅನಿಲಗಳ ಮಿಶ್ರಣವಾದ ಫ್ಲ್ಯೂಗ್ಯಾಸ್ ನಿಂದ ಇಂಗಾಲದ ಡೈ ಆಕ್ಸೈಡ್ಅನ್ನು ಬೇರ್ಪಡಿಸಬಲ್ಲ ನ್ಯಾನೊಪೋರಸ್ ವಸ್ತುಗಳಿಗಾಗಿ ಪ್ರಾಥಮಿಕ ಹಂತದ ಪರೀಕ್ಷೆಗೆ ಒಳಪಡಿಸಿದೆವು” ಎನ್ನುತ್ತಾರೆ ಹಳೆಯ ಎಂ.ಟೆಕ್. ವಿದ್ಯಾರ್ಥಿ ಹಾಗೂ ಅಧ್ಯಯನದ ಮೊದಲ ಲೇಖಕರಾದ ಪೀಯೂಷ್ ಶರ್ಮಾ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಇಂಗಾಲ ಹೊರಸೂಸುವಿಕೆ ತಗ್ಗಿಸಲು ನಿರ್ಣಾಯಕವಾದುದು. ಆಮ್ಲಜನಕ ಹಾಗೂ ನೈಟ್ರೋಜನ್ ಒಳಗೊಂಡ ಮಿಶ್ರಣದಿಂದ ಇಂಗಾಲದ ಡೈಆಕ್ಸೈಡ್ ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸೆರೆಹಿಡಿಯಬಲ್ಲ ಕೆಲವು ಮಾದರಿ ಸಂರಚನೆಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ ಸಫಲರಾದರು.

ಈಗ ಸಂಶೋಧಕರ ತಂಡದವರು 2ಡಿ ವಸ್ತುಗಳ ‘ಡಿಜಿಟಲ್ ಟ್ವಿನ್’ಗಳನ್ನು ರೂಪಿಸುವ ಪರಿಕಲ್ಪನೆಯ ಬಗ್ಗೆ ಅವಲೋಕಿಸುತ್ತಿದ್ದಾರೆ. “ನೀವು ವಸ್ತುವೊಂದರ ಬಗ್ಗೆ ಅಧಿಕ ಪ್ರಮಾಣದ ಪ್ರಯೋಗಾತ್ಮಕ ದತ್ತಾಂಶವನ್ನು ಕಲೆ ಹಾಕಿದ್ದೀರಿ ಎಂದು ಭಾವಿಸಿಕೊಳ್ಳಿ. ಆಗ ನೀವು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಾಚರಣೆಗೆ ಕಾರಣವಾದ ನ್ಯಾನೊಪೋರ್ ಗಳ ಕ್ರೋಡೀಕರಣ ಹೇಗಿದ್ದಿರಬಹುದು ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಲು ಪ್ರಯತ್ನಿಸಬಹುದು” ಎನ್ನುತ್ತಾರೆ ಗೋವಿಂದ್ ರಾಜನ್. “ವಸ್ತುವಿನ ಈ ಡಿಜಿಟಲ್ ಟ್ವಿನ್ ನಿಂದ ನೀವು ಹಲವು ಸಂಗತಿಗಳನ್ನು ಸಾಧ್ಯವಾಗಿಸಬಹುದು- ವಿಭಿನ್ನ ಅನಿಲಗಳಿಂದ ಕೂಡಿದ ಗುಂಪಿನಲ್ಲಿ ಅವುಗಳ ಪ್ರತ್ಯೇಕಿಸುವಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ದಕ್ಷತೆಯನ್ನು ಊಹಿಸಬಹುದು ಅಥವಾ ಅದೇ ವಸ್ತುವಿಗೆ ಸಂಪೂಣರ್ಣ ಹೊಸ ಪರಿಹಾರದ ಪರಿಕಲ್ಪನೆಯನ್ನು ರೂಪಿಸಬಹುದು”

ಉಲ್ಲೇಖ”

ಶರ್ಮಾ ಪಿ, ಥಾಮಸ್ ಎಸ್, ನಾಯರ್ ಎಂ. ಗೋವಿಂದ್ ರಾಜನ್ ಎ, Machine Learnable Language for the Chemical Space of Nanopores Enables Structure–Property Relationships in Nanoporous 2D Materials, Journal of the American Chemical Society (2024). https://pubs.acs.org/doi/10.1021/jacs.4c08282

ಸಂಪರ್ಕ:

ಅನಂತ್ ಗೋವಿಂದ್ ರಾಜನ್
ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕರು
ಕೆಮಿಕಲ್ ಎಂಜಿನಿಯರಿಂಗ್ ವಿಭಾಗ
ಭಾರತೀಯ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆ (ಐ.ಐ.ಎಸ್.ಸಿ)
ಇಮೇಲ್: ananthgr@iisc.ac.in
ಫೋನ್: +91 80 2293 3702
ವೆಬ್ ಸೈಟ್: https://agrgroup.org/

ಪರ್ತಕರ್ತರ ಗಮನಕ್ಕೆ:

ಅ) ಈ ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಯನ್ನು ಅಥವಾ ಇದರ ಯಾವುದೇ ಭಾಗವನ್ನು ಯಥಾವತ್ತಾಗಿ ಸುದ್ದಿಯಾಗಿ ಪ್ರಕಟಿಸಿದರೆ
ದಯವಿಟ್ಟು ಐ.ಐ.ಎಸ್.ಸಿ. ಹೆಸರಿನೊಂದಿಗೆ ಪ್ರಕಟಿಸಿ.

ಆ) ಐ.ಐ.ಎಸ್.ಸಿ. ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಏನಾದರೂ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ ದಯವಿಟ್ಟು news@iisc.ac.in
ಅಥವಾ pro@iisc.ac.in ಗೆ ಬರೆಯಿರಿ.