காட்டுத் தீப் புகைத் துகள்கள், மாதிரிகள் கணிப்பதை விட மிக நீண்ட காலம் ஒன்றையொன்று பற்றிக்கொள்கின்றன: பர்டியூ ஆய்வு

காட்டுத் தீப் புகை, மாசு, நகர்ப்புற மூடுபனிக்குள் உள்ள கரிம மூலக்கூறுகள் ஒன்றையொன்று 'பற்றிக்கொண்டு', அவை வளிமண்டலத்திலிருந்து ஆவியாவதை பெருமளவு தாமதப்படுத்துவதாக பர்டியூ பல்கலைக்கழக வேதியியல் பேராசிரியர் அலெக்சாண்டர் லாஸ்கின் தலைமையிலான புதிய ஆய்வு தெரிவிக்கிறது; இந்த ஆய்வு ப்ரொசீடிங்ஸ் ஆஃப் தி நேஷனல் அகாடமி ஆஃப் சயின்சஸ் இதழில் வெளியானது. தற்போதைய வளிமண்டல மாதிரிகள், உண்மையான கலவை ஒன்றில் சூழவுள்ள நூற்றுக்கணக்கான பிற மூலக்கூறுகளை கணக்கில் கொள்ளாமல், ஒரு வேதிப்பொருளின் தனிப்பட்ட ஆவியாகும் தன்மையை மட்டுமே வைத்து ஆவியாதலை மதிப்பிடுகின்றன.

லாஸ்கினின் ஆய்வகத்தில் உருவாக்கப்பட்ட புதிய நிறை நிறமாலை ஆய்வு (mass spectrometry) நுட்பத்தைப் பயன்படுத்தி, உண்மையான உயிரி எரிப்புப் புகை மற்றும் நகர்ப்புற மூடுபனியை பிரதிநிதித்துவப்படுத்தும் 33 சிக்கலான கலவைகளில் 1,500க்கும் மேற்பட்ட தனித்தனி வேதிப்பொருள் வகைகளை குழு கண்காணித்தது. ஒரு வேதிப்பொருளின் சொந்தக் குணங்களை விட, அதைச் சுற்றியுள்ள மூலக்கூறுச் சூழலே அது எவ்வளவு எளிதாக வெளியேறும் என்பதை பெரும்பாலும் தீர்மானித்தது. 'கண்ணாடித் தட்டில் வாசனைத் திரவியத்தை தெளித்தால் அதன் வாசனை விரைவில் மறைந்துவிடும். அதே வாசனைத் திரவியத்தை தடிமனான கம்பளி சுவெட்டரில் தெளித்தால், துணி வாசனை மூலக்கூறுகளைப் பிடித்துவைப்பதால் அந்த வாசனை பல நாட்கள் நிலைத்திருக்கும்' என லாஸ்கின் தெரிவித்தார். 'ஒரு ஏரோசல் கலவை கம்பளி சுவெட்டரைப் போலவே செயல்படுகிறது; மூலக்கூறுகள் தனித்திருந்தால் இருக்கும் நிலையை விட மிக வலிமையாக அவற்றை பிடித்து வைக்கிறது.'

இந்த 'மேட்ரிக்ஸ் விளைவு' ஆவியாதலை ஆயிரம் மடங்கு முதல் ஒரு லட்சம் மடங்கு வரை மெதுவாக்கியது; அதாவது, புகை விரைவாகப் பரவிவிடும் என கருதும் தற்போதைய மாதிரிகள், அது உண்மையில் வளிமண்டலத்தில் எவ்வளவு காலம் நீடிக்கிறது என்பதை குறைத்து மதிப்பிடக்கூடும். முடிவுக்கான காரணத்தையும் விளக்கிக் காட்டும் இயந்திரக் கற்றல் (explainable machine learning) முறையைப் பயன்படுத்த வெய்ஸ்மேன் அறிவியல் நிறுவனத்துடனும், வளிமண்டல மாதிரிகளை இயக்க எரிசக்தித் துறையின் பசிபிக் வடமேற்கு தேசிய ஆய்வகத்துடனும் இணைந்து பணியாற்றி, இந்த விளைவு புகையின் நீடிப்பு, பரவல், மேக உருவாக்கம் ஆகியவற்றின் கணிப்புகளை கணிசமாக அதிகரிக்கிறது என்பதை குழு காட்டியது.

ஒவ்வொரு சேர்மத்தையும் தனித்தனியாக கருதாமல், ஆயிரக்கணக்கான மூலக்கூறுகளுக்கு இடையேயான தொடர்புகளை ஒரே நேரத்தில் கணக்கில் கொள்ளும் இயந்திரக் கற்றல் மாதிரிகளை உருவாக்குவதே ஆய்வாளர்களின் அடுத்த இலக்கு; இது காற்றுத் தரக் கணிப்புகளை மேம்படுத்தவும், பொது சுகாதார அபாயங்களை மதிப்பிடவும், சுற்றுச்சூழல் பாதிப்பைக் குறைக்கும் கொள்கைகளுக்கு வழிகாட்டவும் உதவும்.