ভৌতবিজ্ঞান-নির্দেশিত AI 31টি আগে অজানা উচ্চ-ডাইইলেকট্রিক অক্সাইড শনাক্ত করেছে

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।

স্ক্রিনিংয়ে কী পাওয়া গেল

এই পদ্ধতি ব্যবহার করে দলটি 8,000-রও বেশি অক্সাইড উপাদান স্ক্রিন করে ক্ষেত্রকে 31টি আগে অজানা উচ্চ-ডাইইলেকট্রিক অক্সাইডে নামিয়ে আনে। এটি search space-এ বড় ধরনের সংকোচন, এবং এটি materials discovery-তে AI-এর ব্যবহারিক ভূমিকা তুলে ধরে: পরীক্ষানিরীক্ষা বা first-principles calculations পুরোপুরি প্রতিস্থাপন করা নয়, বরং গবেষকদের পরবর্তী ধাপের ব্যয়বহুল প্রচেষ্টা কোথায় কেন্দ্রীভূত করা উচিত তা নির্ধারণে সাহায্য করা।

electronics-এর ক্ষেত্রে এটি গুরুত্বপূর্ণ, কারণ উচ্চ-ডাইইলেকট্রিক materials বৈদ্যুতিক ক্ষেত্র নিয়ন্ত্রণ, উপাদানে শক্তি সঞ্চয়, এবং ডিভাইস আরও চাহিদাপূর্ণ হওয়ার সঙ্গে সঙ্গে ধারাবাহিক কর্মক্ষমতা উন্নতিতে অপরিহার্য। ঐতিহ্যবাহী computational workflows দিয়ে এত বড় পরিসরে প্রার্থী খুঁজে বের করা দ্রুত করা কঠিন।

এই পদ্ধতি কেন আলাদা

গবেষণার গুরুত্ব হলো machine learning-কে কীভাবে ভৌত কাঠামোর সঙ্গে ভারসাম্যপূর্ণ করা হয়েছে। model-কে এমন একটি black box হিসেবে দেখানো হয়নি যা কাকতালীয়ভাবে কাজ করে। বরং, এটি এমন একটি সিস্টেম হিসেবে উপস্থাপিত, যা প্রতিষ্ঠিত ভৌত অর্থসম্পন্ন মধ্যবর্তী বৈশিষ্ট্য শেখে এবং তারপর সেই অংশগুলো থেকে বৃহত্তর আচরণ পুনর্গঠন করে।

বৈজ্ঞানিক পরিবেশে এটি বিশেষভাবে মূল্যবান হতে পারে, যেখানে গবেষকেরা কেবল পূর্বাভাসের ফল নয়, trust, error analysis, এবং সম্পর্কিত সমস্যায় portability-ও বিবেচনা করেন। ব্যাখ্যাযোগ্য ভৌত উপাদানে ভিত্তি করা একটি model যাচাই করাও সহজ হতে পারে, পাশাপাশি নিকটবর্তী materials challenges-এ সম্প্রসারণ করাও সহজ হতে পারে।

ইলেকট্রনিক্স ও discovery pipelines-এর জন্য তাৎপর্য

তাৎক্ষণিক তাৎপর্য হলো গতি। materials scientists যদি হাজার হাজার যৌগ আরও দক্ষতার সঙ্গে স্ক্রিন করতে পারেন, তাহলে তত্ত্ব ও পরীক্ষামূলক যাচাইয়ের মধ্যকার পথ ছোট করা যাবে। সময়ের সঙ্গে সঙ্গে, এটি next-generation capacitors, transistors, memories, এবং dielectric কর্মক্ষমতার ওপর নির্ভরশীল অন্যান্য electronic systems-এর উপযোগী উপাদান খোঁজার প্রক্রিয়াকে ত্বরান্বিত করতে পারে।

দীর্ঘমেয়াদি তাৎপর্য পদ্ধতিগত। Physics-guided AI hard-science domains-এ machine learning-কে সত্যিকার অর্থে উপযোগী করে তোলার সবচেয়ে পরিষ্কার পথগুলোর একটি হতে পারে, যেখানে ডেটা স্বল্প, simulations ব্যয়বহুল, এবং extrapolation ঝুঁকিপূর্ণ। domain knowledge-কে বাধা না ভেবে, টোহোকু দল সেটিকে AI-কে আরও নির্ভরযোগ্য করে তোলার scaffolding হিসেবে দেখছে।

AI দাবির আরও সংকীর্ণ কিন্তু আরও কার্যকর রূপ

প্রবন্ধটি কোনো সর্বজনীন materials oracle-এর প্রতিশ্রুতি দেয় না। এর দাবি আরও নিয়ন্ত্রিত, আর সেই কারণে আরও বিশ্বাসযোগ্য: AI-কে পরিচিত ভৌত সম্পর্কের সঙ্গে যুক্ত করে গবেষকেরা materials screening উন্নত করতে এবং উপেক্ষিত প্রার্থীদের আরও দক্ষতার সঙ্গে খুঁজে পেতে পারেন। এই ক্ষেত্রে, তা 31টি নতুন high-dielectric oxide leads-এ পরিণত হয়েছে।

উদীয়মান electronics research-এর জন্য এটি সেই ধরনের অগ্রগতি, যা সত্যিই গুরুত্বপূর্ণ। ভালো উপাদান সাধারণত পূর্বাভাস, বাছাই, এবং যাচাইয়ের দীর্ঘ শৃঙ্খলে ছোট ছোট উন্নতির মাধ্যমে আসে। এই কাজ দেখায়, সেই শৃঙ্খলের একটি সংযোগবিন্দু এখন অনেক বেশি শক্তিশালী হতে পারে।

এই নিবন্ধটি Phys.org-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধ পড়ুন.