MIT ল্যাবগুলো AI-কে শক্তি ব্যবস্থা, মহাকাশ উপকরণ ও বৈজ্ঞানিক আবিষ্কারের জন্য একটি সরঞ্জামে রূপ দিচ্ছে

MIT-এ AI বিশেষ ক্ষেত্র থেকে অবকাঠামোতে রূপ নিচ্ছে

MIT Technology Review-এর একটি ফিচার অনুযায়ী, MIT-র গবেষণায় কৃত্রিম বুদ্ধিমত্তা একটি কার্যকর স্তর হয়ে উঠেছে, এবং প্রতিষ্ঠানটির ল্যাবগুলো কীভাবে এই প্রযুক্তি ব্যবহার করছে তা সেই প্রতিবেদনে তুলে ধরা হয়েছে। গল্পটি AI-কে কম্পিউটার বিজ্ঞানে সীমাবদ্ধ একটি পৃথক শাখা হিসেবে নয়, বরং যান্ত্রিক প্রকৌশল, মহাকাশ উপকরণ, শক্তি ব্যবস্থা এবং পরীক্ষামূলক বিজ্ঞানে এখন অন্তর্ভুক্ত একটি সরঞ্জাম হিসেবে বর্ণনা করে।

এই পরিবর্তনটি সিলি দেং-এর কাজে স্পষ্ট। তিনি মেকানিক্যাল ইঞ্জিনিয়ারিংয়ের সহযোগী অধ্যাপক এবং দহন গতি, নির্গমন হ্রাস এবং শক্তি উপকরণের ফ্লেম সংশ্লেষণ নিয়ে গবেষণা করেন। কোভিড মহামারির বিঘ্নের কারণে দেং-এর AI-র দিকে যাত্রা প্রভাবিত হয়েছিল। 2019 সালে MIT-র অনুষদে যোগ দেওয়ার পর, তিনি যখন নিজের ল্যাব গড়ে তুলছিলেন, তখন সংস্কার কাজ সেটিকে থামিয়ে দেয়। অপেক্ষা না করে, তিনি তার দলকে বলতে বলেন কোথায় machine learning তাদের দহন গবেষণায় ঘাটতি পূরণ করতে পারে তা পরীক্ষা করতে।

দহন ব্যবস্থার জন্য ডিজিটাল টুইন

দেং-এর Energy and Nanotechnology Group AI ব্যবহার করে এমন একটি ডিজিটাল টুইন তৈরি করেছে, যা একটি শক্তি ও প্রবাহ যন্ত্রের কর্মক্ষমতা অনুকরণ করে। ডিজিটাল টুইন হলো একটি ভৌত ব্যবস্থার গণনামূলক প্রতিরূপ, যা পরিবর্তনশীল পরিস্থিতিতে সেই ব্যবস্থার আচরণ কীভাবে বদলায় তা প্রতিফলিত করার জন্য তৈরি করা হয়। এখানে দীর্ঘমেয়াদি লক্ষ্য হলো বাস্তব সময়ে জ্বালানি দহন ব্যবস্থার পূর্বাভাস ও নিয়ন্ত্রণ করা।

এই লক্ষ্যটি গুরুত্বপূর্ণ, কারণ দহন ব্যবস্থা শক্তি এবং পরিবহন অর্থনীতির অনেক অংশের কেন্দ্রবিন্দুতে রয়েছে। ভালো পূর্বাভাস ও নিয়ন্ত্রণ গবেষকদের কর্মক্ষমতা, নির্গমন এবং পরিচালনগত স্থিতিশীলতা এমনভাবে বুঝতে সাহায্য করতে পারে, যা শুধু শারীরিক পরীক্ষায় ধরা কঠিন। উৎস উপাদানটি দাবি করে না যে এই ব্যবস্থা ইতিমধ্যেই উৎপাদনে পূর্ণ বাস্তব-সময়ের নিয়ন্ত্রণে পৌঁছে গেছে। এটি বলে যে মডেলটি শেষ পর্যন্ত বাস্তব সময়ে জ্বালানি দহন ব্যবস্থার কাজকর্ম পূর্বাভাস ও নিয়ন্ত্রণ করতে সক্ষম হওয়া উচিত।

এই উদাহরণ দেখায় কেন AI গবেষণা ল্যাবে দ্রুত ছড়িয়ে পড়েছে: এটি বিদ্যমান বৈজ্ঞানিক জ্ঞানকে প্রতিস্থাপন না করে, বরং তা বিস্তৃত করতে পারে। দেং-এর দল machine learning-কে দহনমূলক মৌলনীতির দৃষ্টিকোণ থেকে দেখেছে, বর্তমান পদ্ধতিগুলোর কোথায় ফাঁক আছে তা খুঁজেছে। এটি AI-কে সাধারণ উদ্দেশ্যের shortcut হিসেবে দেখার থেকে আলাদা। এতে উপযোগী প্রশ্ন নির্ধারণ এবং মডেলের আউটপুট যুক্তিযুক্ত কি না তা মূল্যায়নের জন্য domain expertise ব্যবহার করা হয়।

AI-সহায়তায় মহাকাশ উপকরণ নকশা

ফিচারটিতে জ্যাকারি কর্ডেরো-র কাজও বর্ণনা করা হয়েছে। তিনি aeronautics and astronautics-এর সহযোগী অধ্যাপক এবং উদীয়মান মহাকাশ প্রয়োগের জন্য নতুন উপকরণ ও কাঠামো তৈরি করেন। প্রকৌশল নকশার জন্য machine learning ও optimization-এ বিশেষজ্ঞ মেকানিক্যাল ইঞ্জিনিয়ারিং সহযোগী অধ্যাপক ফায়েজ আহমেদের সঙ্গে যোগাযোগের পর কর্ডেরো AI ব্যবহার শুরু করেন।

আহমেদ এবং অন্যান্য সহযোগীদের সঙ্গে, U.S. Defense Advanced Research Projects Agency দ্বারা স্পনসর করা একটি প্রকল্পে কাজ করতে গিয়ে কর্ডেরো একটি blisk-এর উপাদানগত গঠন অনুকূল করার জন্য একটি AI টুল তৈরি করেন। blisk, বা bladed disk, জেট এবং রকেট টারবাইন ইঞ্জিনের একটি গুরুত্বপূর্ণ উপাদান। এই কাজের লক্ষ্য ইঞ্জিনের কর্মক্ষমতা ও স্থায়িত্ব বাড়ানো এবং ভারী উৎক্ষেপণযানের জন্য আরও নির্ভরযোগ্য পুনর্ব্যবহারযোগ্য রকেট ইঞ্জিনে অবদান রাখা।

উৎস উপাদানে কর্ডেরোর মন্তব্যটি তাৎপর্যপূর্ণ: তিনি বলেছেন, AI সিস্টেম সেইসব সমস্যায় মানব অন্তর্দৃষ্টিকে বাড়িয়েছে যেখানে অন্তর্দৃষ্টি প্রায় অসম্ভব। উচ্চক্ষমতাসম্পন্ন মহাকাশ ব্যবস্থার জন্য উপকরণ নকশায় সংমিশ্রণ, গঠন, স্থায়িত্ব এবং পরিচালন পরিস্থিতি সহ বহু পারস্পরিক নির্ভরশীল চলক থাকে। AI optimization জটিল নকশা ক্ষেত্র অনুসন্ধান করতে পারে, যা মানুষের পক্ষে হাতে করে অন্বেষণ করা কঠিন।

গবেষণা চর্চায় একটি বৃহত্তর পরিবর্তন

MIT-এর উদাহরণগুলো ইঙ্গিত দেয় যে AI-এর সবচেয়ে তাৎক্ষণিক বৈজ্ঞানিক প্রভাব আসতে পারে প্রতিষ্ঠিত ক্ষেত্রগুলোর সঙ্গে একীভূত হওয়া থেকে। দহন গবেষণায়, এটি গতিশীল ব্যবস্থার মডেল তৈরি করতে এবং শেষ পর্যন্ত সেগুলো নিয়ন্ত্রণ করতে সহায়তা করতে পারে। মহাকাশ উপকরণে, এটি এমন উপাদান অনুকূল করতে সাহায্য করতে পারে যেগুলোকে চরম পরিস্থিতি সহ্য করতে হয়। বিভিন্ন ল্যাবে, এটি পদ্ধতিকে দ্রুততর করতে এবং আবিষ্কারের নতুন পথ খুলে দিতে পারে।

উৎস উপাদানে অধ্যাপক জু লি-কেও উদ্ধৃত করা হয়েছে। তিনি যুক্তি দেন, যদি AI-কে পরীক্ষা চালানো, ভিন্ন ভিন্ন কিছু চেষ্টা করা, ব্যর্থ হওয়া এবং সেই প্রক্রিয়া থেকে শেখার স্বায়ত্তশাসন দেওয়া হয়, তবে এটি মানব বুদ্ধিমত্তার মতো কিছুর দিকে বিবর্তিত হতে পারে। এই ধারণা বর্তমান মডেলিং ও optimization-এর বাইরে স্বায়ত্তশাসিত গবেষণা ব্যবস্থার দিকে ইঙ্গিত করে। প্রদত্ত পাঠ্যে বলা হয়নি যে এমন ব্যবস্থা ইতিমধ্যেই সেই মাত্রার স্বায়ত্তশাসন অর্জন করেছে; এটি ধারণাটিকে একটি সম্ভাবনা হিসেবে উপস্থাপন করেছে।

ব্যবহারিক শিক্ষা আরও তাৎক্ষণিক। MIT-র গবেষকেরা একক সর্বজনীন AI সাফল্যের অপেক্ষায় নেই। তারা নির্দিষ্ট বৈজ্ঞানিক ও প্রকৌশল সমস্যায় machine learning প্রয়োগ করছেন, যেখানে ডেটা, simulation এবং optimization কাজের গতি বদলে দিতে পারে। ফলে এমন এক গবেষণা পরিবেশ তৈরি হচ্ছে, যেখানে AI পরীক্ষামূলক টুলকিটের অংশ হয়ে উঠছে।

এটি মানব দক্ষতার প্রয়োজন কমায় না। উৎস উপাদানের উদাহরণগুলো উল্টোটা দেখায়। গবেষকেরাই এখনও ব্যবস্থা নির্ধারণ করেন, ভৌত সীমাবদ্ধতা বোঝেন এবং কোন ফলাফল গুরুত্বপূর্ণ তা বিচার করেন। AI অনুসন্ধানের পরিসর ও মডেলিং ক্ষমতা বাড়ায়, কিন্তু বৈজ্ঞানিক প্রশ্নগুলো এখনও domain knowledge-এ ভিত্তিস্থ।

এই নিবন্ধটি MIT Technology Review-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.