ম্যানহাটনের একটি ল্যাবে AI কয়েক দশকের উপকরণ-আবিষ্কারকে কয়েক দিনে নামিয়ে আনতে চাইছে

ম্যাটেরিয়ালস সায়েন্সও এখন তার নিজস্ব স্বায়ত্তশাসিত ল্যাব মডেল পাচ্ছে

মিডটাউন ম্যানহাটনের একটি ল্যাবে, একটি রোবোটিক সিস্টেম উপাদান মিশিয়ে, মিশ্রধাতু গলিয়ে, কাঠামো বিশ্লেষণ করে, এবং ন্যূনতম মানব হস্তক্ষেপে কর্মক্ষমতা পরীক্ষা করছে। লক্ষ্যটি কেবল অটোমেশন নয়। লক্ষ্য হল AI-কে নতুন উপকরণ প্রস্তাব করতে, সেগুলিকে মূল্যায়নের জন্য প্রয়োজনীয় পরীক্ষাগুলি চালাতে, ফলাফল থেকে শিখতে, এবং এই চক্রটি এমন গতিতে পুনরাবৃত্তি করতে দেওয়া, যা প্রচলিত উপকরণ গবেষণা খুব কমই ছুঁতে পারে।

এই ল্যাবটি স্টার্টআপ Radical AI-এর, যা বলছে এর পদ্ধতি দীর্ঘস্থায়ী জেট ইঞ্জিন থেকে ফিউশন এনার্জি সিস্টেম পর্যন্ত বিভিন্ন কাজে নতুন শিল্প-উপকরণের পথ ছোট করে দিতে পারে। কোম্পানির দাবি, AI শুধু জানা ফর্মুলা বাছাইয়ের চেয়ে বেশি কিছু করতে পারে। এটি পুরো আবিষ্কার-চক্র চালাতে সাহায্য করতে পারে।

উপকরণ আবিষ্কার কেন এত কঠিন লক্ষ্য

নতুন উপকরণ তৈরি করা প্রায়শই খুব ধীর একটি প্রক্রিয়া। বিজ্ঞানীরা অনুমান তৈরি করেন, একটি প্রার্থী উপাদান সংশ্লেষণ করেন, তার বৈশিষ্ট্য নির্ণয় করেন, পরীক্ষা করেন, এবং তারপর যা ঘটেছে তার ভিত্তিতে অনুমান সংশোধন করেন। Fast Company বলছে, এই চক্র 20 বছর বা তারও বেশি সময় নিতে পারে। এই বিলম্ব গুরুত্বপূর্ণ, কারণ নতুন উপকরণের চাহিদা বাড়ছে এমন এক সময়ে, যখন বিশ্ব ঘাটতি, কর্মক্ষমতার সীমাবদ্ধতা, এবং উত্তোলন ও উৎপাদনের পরিবেশগত বোঝা সামলাচ্ছে।

অন্য কথায়, উপকরণ বিজ্ঞান উচ্চ-মূল্যের সমস্যায় ভরা, কিন্তু পরীক্ষার গতি দ্বারা সীমাবদ্ধ। তাই এমন AI সিস্টেমের সঙ্গে এর স্বাভাবিক মিল আছে, যেগুলি বড় ডিজাইন-স্পেস অনুসন্ধান করতে পারে, এবং এমন রোবোটিক্সের সঙ্গে, যেগুলি মানব কর্মঘণ্টার জন্য অপেক্ষা না করে বহু পুনরাবৃত্ত পরীক্ষা করতে পারে।

Radical AI কীভাবে তার সিস্টেম কাজ করে বলছে

উৎস লেখার অনুযায়ী, কোম্পানির AI সিস্টেম পাঁচ সেকেন্ডে 10,000টি বৈজ্ঞানিক প্রবন্ধ পর্যালোচনা করতে পারে। দলটি যখন কোনো সমস্যায় কাজ শুরু করে, তখন তারা সিস্টেমকে প্রয়োজনীয় উপকরণ-গুণাবলির একটি সেট দেয়। এরপর AI 380,000টি প্রবন্ধ এবং ল্যাবের 57 মিলিয়ন ডেটা পয়েন্ট ব্যবহার করে, যার মধ্যে ব্যর্থ পরীক্ষাও আছে, যা সাধারণত প্রকাশিত সাহিত্যেই থাকে না।

এই শেষ বিষয়টি গুরুত্বপূর্ণ। বিজ্ঞানে ব্যর্থতা প্রায়ই এমন তথ্য ধারণ করে, যা একটি অনুসন্ধান-ক্ষেত্র সংকুচিত করতে সাহায্য করে, কিন্তু সেই ব্যর্থতাগুলি অভ্যন্তরীণ নোটবুকের বাইরে খুব কমই দেখা যায়। Radical-এর সিস্টেম সেগুলিকে তার কর্মস্মৃতির অংশ হিসেবে ব্যবহার করে, তারপর পরীক্ষা করার জন্য এক ডজন থেকে কয়েক শত পর্যন্ত প্রার্থী উপকরণ প্রস্তাব করে।

শুধু একটি পূর্বাভাস-ইঞ্জিন নয়, একটি স্বয়ংচালিত ল্যাব

ল্যাবটি মানক উপকরণ-বিজ্ঞানের সরঞ্জামকে ঘিরে তৈরি, কিন্তু এর ওয়ার্কফ্লো অত্যন্ত স্বয়ংক্রিয়। Fast Company জানায়, সেটআপটি দিনে সর্বোচ্চ 50টি পরীক্ষা চালাতে পারে এবং গ্রীষ্মের শেষে দিনে 100টি পরীক্ষার লক্ষ্য নিয়েছে। CEO Joseph Krause একজন মানব উপকরণ-বিজ্ঞানীর সঙ্গে তুলনা করেন, যিনি বছরে হয়তো 50টি পরীক্ষা চালাতে পারেন।

এর মানে এই নয় যে মানুষ পুরো প্রক্রিয়া থেকে বাদ পড়ে যায়। বরং মানব গবেষকেরা লক্ষ্য নির্ধারণ, আউটপুট মূল্যায়ন, এবং কোন দিকগুলো গুরুত্বপূর্ণ তা ঠিক করার দিকে সরে যান। Radical-এর ভাষ্য হলো, একজন বিজ্ঞানী একাধিক সমস্যায় মনোযোগ দিতে পারেন, কারণ সিস্টেম সাহিত্য পর্যালোচনা, অনুমান তৈরি, এবং পরীক্ষামূলক কাজের অনেকটাই নিজের মধ্যে গ্রহণ করে।

এটি কী পরিবর্তন আনতে পারে

মডেলটি যদি কার্যকর হয়, তবে শিল্প R&D-র সবচেয়ে কঠিন সীমাবদ্ধতাগুলোর একটি বদলে দিতে পারে: কাঙ্ক্ষিত বৈশিষ্ট্যের প্রোফাইল থেকে ব্যবহারযোগ্য নতুন উপকরণে পৌঁছাতে যে সময় লাগে। দ্রুত আবিষ্কার বাণিজ্যিকীকরণের নিশ্চয়তা দেবে না, কিন্তু গবেষকদের আরও ধারণা পরীক্ষা করতে এবং খারাপগুলো দ্রুত বাদ দিতে দিলে এটি পাইপলাইনকে ব্যাপকভাবে প্রশস্ত করতে পারে।

গত বছর কোম্পানিটি seed রাউন্ডে $55 মিলিয়ন সংগ্রহ করেছে, যা দেখায় যে AI সিস্টেমগুলোর প্রতি বিনিয়োগকারীদের কতটা আগ্রহ রয়েছে, যেগুলি শুধু বিজ্ঞানকে সারাংশে সীমাবদ্ধ রাখে না, বরং ভৌত হার্ডওয়্যারের সঙ্গে আরও ঘনিষ্ঠ চক্রে সেটি চালায়। সফটওয়্যার বেঞ্চমার্কের চেয়ে এই দাবি যাচাই করা কঠিন। কিন্তু AI যদি বাস্তব জগতে গবেষণাকে রূপান্তর করতে চায়, তাহলে সেটিই গুরুত্বপূর্ণ দাবি।

এই ল্যাব কেন আলাদা

• এই সিস্টেমটি AI-ভিত্তিক অনুমান-সৃষ্টি এবং স্বয়ংক্রিয় পরীক্ষার ওয়ার্কফ্লোকে একত্র করে।
• এটি প্রকাশিত সাহিত্য এবং কোটি কোটি অভ্যন্তরীণ ল্যাব ডেটা পয়েন্টের উপর নির্ভর করে।
• কোম্পানির দাবি, ল্যাবটি ইতিমধ্যে দিনে 50টি পরীক্ষা চালাতে পারে, আর লক্ষ্য 100।

বছরের পর বছর ধরে, বিজ্ঞানে AI-এর ভূমিকা প্রায়ই বিমূর্ত ভাষায় বর্ণনা করা হয়েছে। Radical AI অনেক বেশি বাস্তব একটি যুক্তি দিচ্ছে: আবিষ্কারের ভবিষ্যৎ এমন যন্ত্রের ওপর নির্ভর করতে পারে, যেগুলি পড়তে, যুক্তি করতে, এবং তারপর শিল্পগত গতিতে নিজেদের ধারণা শারীরিকভাবে পরীক্ষা করতে পারে।

এই নিবন্ধটি Fast Company-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.