উপাদান অনুসন্ধানের সমস্যার মুখোমুখি ভৌতবিজ্ঞান-সচেতন AI পদ্ধতি
টোহোকু বিশ্ববিদ্যালয়ের গবেষকেরা বলছেন, তারা এমন একটি AI পদ্ধতি তৈরি করেছেন যা ডাইইলেকট্রিক কর্মক্ষমতার জন্য হাজার হাজার উপাদান দ্রুত স্ক্রিন করতে পারে এবং আরও প্রচলিত পূর্বাভাস পদ্ধতির তুলনায় নির্ভুলতাও বাড়াতে পারে। Physical Review X-এ প্রকাশিত এক গবেষণায় দলটি জানিয়েছে, 8,000-রও বেশি প্রার্থীর স্ক্রিনিং রানের মাধ্যমে এই পদ্ধতি 31টি আগে অজানা উচ্চ-ডাইইলেকট্রিক অক্সাইড উপাদান শনাক্ত করতে সাহায্য করেছে।
এই অগ্রগতি materials science-এর একটি দীর্ঘস্থায়ী bottleneck-কে মোকাবিলা করে। একটি উপাদান বৈদ্যুতিক ক্ষেত্রের প্রতি কীভাবে সাড়া দেবে তা নির্ধারণ করা গণনাগতভাবে কঠিন, অথচ সেই সাড়াই আধুনিক electronics-এর কেন্দ্রবিন্দু। স্মার্টফোন ও কম্পিউটারসহ নানা ডিভাইসে dielectric materials বহুল ব্যবহৃত হয়, তাই সম্ভাবনাময় প্রার্থীদের খুঁজে বের করার জন্য উন্নত সরঞ্জামের বাস্তব মূল্য অনেক বেশি হতে পারে।
সরাসরি পূর্বাভাস দেওয়া কঠিন কেন
জটিল উপাদানগত বৈশিষ্ট্যকে একটি একক output হিসেবে ধরলে, AI systems-এর পক্ষে সেগুলি নির্ভরযোগ্যভাবে পূর্বাভাস দেওয়া প্রায়ই কঠিন হয়ে পড়ে। টোহোকু দলের সমাধান ছিল সেই সরাসরি shortcut এড়িয়ে চলা। model-কে সরাসরি dielectric constant অনুমান করতে বলার বদলে, গবেষকেরা সমস্যাটিকে আরও মৌলিক কিছু ভৌত রাশির চারপাশে গঠন করেছেন, যা শেষ বৈশিষ্ট্যে অবদান রাখে।
সূত্রপাঠে বর্ণিত ব্যবস্থায়, model আলাদাভাবে Born effective charges পূর্বাভাস দেয়, যা ব্যাখ্যা করে পরমাণুগুলো বৈদ্যুতিক ক্ষেত্রে কীভাবে সাড়া দেয়, এবং phonon properties-ও পূর্বাভাস দেয়, যা উপাদানের পরমাণবিক কম্পনকে ধরতে সাহায্য করে। এরপর সেই উপাদানগুলো একটি physical formula-এর মাধ্যমে একত্রিত করে ionic dielectric tensor পুনর্গঠন করা হয়।
এই নকশাই প্রবন্ধের দাবির কেন্দ্র। গবেষকদের যুক্তি, workflow-এ physics অন্তর্ভুক্ত করলে AI আরও দ্রুত এবং আরও নির্ভরযোগ্য হয়, এমন পদ্ধতির তুলনায় যেগুলো crystal structure থেকে সরাসরি চূড়ান্ত dielectric আচরণে লাফিয়ে যেতে চায়।
