MIT प्रयोगशालाएँ AI को ऊर्जा प्रणालियों, एयरोस्पेस सामग्रियों और वैज्ञानिक खोज के लिए एक उपकरण में बदल रही हैं

MIT में AI एक विशेषता से आधारभूत संरचना की ओर बढ़ रहा है

MIT Technology Review की एक फीचर रिपोर्ट के अनुसार, MIT के शोध में कृत्रिम बुद्धिमत्ता एक कार्यशील परत बन गई है, जिसमें संस्थान की प्रयोगशालाएँ इस तकनीक को तैनात कर रही हैं। यह कहानी AI को कंप्यूटर विज्ञान तक सीमित एक अलग अनुशासन के रूप में नहीं, बल्कि यांत्रिक अभियांत्रिकी, एयरोस्पेस सामग्री, ऊर्जा प्रणालियों और प्रायोगिक विज्ञान में अब अंतर्निहित एक उपकरण के रूप में वर्णित करती है।

यह बदलाव सिलि डेंग के काम में साफ दिखाई देता है, जो मैकेनिकल इंजीनियरिंग की एसोसिएट प्रोफेसर हैं और दहन गतिकी, उत्सर्जन में कमी और ऊर्जा सामग्रियों के फ्लेम संश्लेषण का अध्ययन करती हैं। AI की ओर डेंग का रुख कोविड महामारी की अव्यवस्था से आकार पाया। 2019 में MIT के संकाय से जुड़ने के बाद, जब वह अपनी प्रयोगशाला स्थापित कर रही थीं, तब नवीनीकरण कार्यों ने उसे रोक दिया। प्रतीक्षा करने के बजाय, उन्होंने अपनी टीम से यह परखने को कहा कि मशीन लर्निंग उनके दहन अनुसंधान में कहाँ खाली स्थान भर सकती है।

दहन प्रणालियों के लिए डिजिटल ट्विन

डेंग के एनर्जी एंड नैनोटेक्नोलॉजी ग्रुप ने AI का उपयोग करके एक डिजिटल ट्विन विकसित किया, जो एक ऊर्जा और प्रवाह उपकरण के प्रदर्शन की नकल करता है। डिजिटल ट्विन किसी भौतिक प्रणाली की एक गणनात्मक प्रतिकृति होता है, जिसे इस तरह बनाया जाता है कि वह बदलती परिस्थितियों में उस प्रणाली के व्यवहार को प्रतिबिंबित कर सके। इस मामले में, दीर्घकालिक लक्ष्य वास्तविक समय में ईंधन दहन प्रणालियों की भविष्यवाणी और नियंत्रण करना है।

यह लक्ष्य महत्वपूर्ण है क्योंकि दहन प्रणालियाँ ऊर्जा और परिवहन अर्थव्यवस्था के कई हिस्सों के लिए केंद्रीय बनी हुई हैं। बेहतर पूर्वानुमान और नियंत्रण शोधकर्ताओं को प्रदर्शन, उत्सर्जन और परिचालन स्थिरता को उन तरीकों से समझने में मदद कर सकते हैं, जिन्हें केवल भौतिक परीक्षण से पकड़ना कठिन होता है। स्रोत सामग्री यह दावा नहीं करती कि यह प्रणाली पहले ही उत्पादन में पूर्ण वास्तविक-समय नियंत्रण तक पहुँच चुकी है। इसमें कहा गया है कि मॉडल अंततः वास्तविक समय में ईंधन दहन प्रणालियों के कामकाज की भविष्यवाणी और नियंत्रण करने में सक्षम होना चाहिए।

यह उदाहरण बताता है कि AI अनुसंधान प्रयोगशालाओं में इतनी तेज़ी से क्यों फैला है: यह मौजूदा वैज्ञानिक ज्ञान का विस्तार कर सकता है, उसे प्रतिस्थापित नहीं करता। डेंग की टीम ने मशीन लर्निंग को दहन के मूलभूत सिद्धांतों के दृष्टिकोण से अपनाया, यह देखते हुए कि मौजूदा तरीकों में कहाँ कमियाँ हैं। यह दृष्टिकोण AI को सामान्य-उद्देश्य शॉर्टकट मानने से अलग है। इसमें उपयोगी प्रश्नों को परिभाषित करने और मॉडल आउटपुट का अर्थ बनता है या नहीं, यह परखने के लिए विषय-विशेष ज्ञान का उपयोग किया जाता है।

AI-सहायता प्राप्त एयरोस्पेस सामग्री डिज़ाइन

यह फीचर ज़ैकरी कॉर्डेरो के काम का भी वर्णन करता है, जो एयरोनॉटिक्स और एस्ट्रोनॉटिक्स के एसोसिएट प्रोफेसर हैं और उभरते एयरोस्पेस अनुप्रयोगों के लिए नई सामग्रियाँ और संरचनाएँ विकसित करते हैं। कॉर्डेरो ने AI का उपयोग तब शुरू किया जब उनकी मुलाकात फाएज़ अहमद से हुई, जो मैकेनिकल इंजीनियरिंग के एसोसिएट प्रोफेसर हैं और इंजीनियरिंग डिज़ाइन के लिए मशीन लर्निंग और अनुकूलन में विशेषज्ञता रखते हैं।

अहमद और अन्य सहयोगियों के साथ, U.S. Defense Advanced Research Projects Agency द्वारा प्रायोजित एक परियोजना पर काम करते हुए, कॉर्डेरो ने ब्लिस्क की सामग्री संरचना को अनुकूलित करने के लिए एक AI उपकरण विकसित किया। ब्लिस्क, या ब्लेडेड डिस्क, जेट और रॉकेट टर्बाइन इंजनों में एक प्रमुख घटक होता है। इस काम का उद्देश्य इंजन के प्रदर्शन और दीर्घायु में सुधार करना है और यह भारी-भरकम प्रक्षेपण वाहनों के लिए अधिक विश्वसनीय पुन: प्रयोज्य रॉकेट इंजनों में योगदान दे सकता है।

स्रोत सामग्री में कॉर्डेरो की टिप्पणी महत्वपूर्ण है: उन्होंने कहा कि AI प्रणाली ने उन समस्याओं पर मानवीय अंतर्ज्ञान को बढ़ाया, जहाँ अंतर्ज्ञान लगभग असंभव है। उच्च-प्रदर्शन एयरोस्पेस प्रणालियों के लिए सामग्री डिज़ाइन में संरचना, बनावट, टिकाऊपन और संचालन स्थितियों सहित कई परस्पर क्रियाशील चर शामिल होते हैं। AI अनुकूलन जटिल डिज़ाइन क्षेत्रों की खोज कर सकता है, जिन्हें मनुष्यों के लिए मैन्युअल रूप से खोजना कठिन होता।

अनुसंधान अभ्यास में एक व्यापक बदलाव

MIT के उदाहरण दिखाते हैं कि AI का सबसे तात्कालिक वैज्ञानिक प्रभाव स्थापित क्षेत्रों में उसके एकीकरण से आ सकता है। दहन अनुसंधान में, यह गतिशील प्रणालियों का मॉडल बना सकता है और अंततः उन्हें नियंत्रित करने में मदद कर सकता है। एयरोस्पेस सामग्रियों में, यह ऐसे घटकों को अनुकूलित करने में मदद कर सकता है जिन्हें चरम परिस्थितियों में टिकना होता है। प्रयोगशालाओं में, यह विधियों को तेज़ कर सकता है और खोज के नए रास्ते खोल सकता है।

स्रोत सामग्री में प्रोफेसर जू ली को भी उद्धृत किया गया है, जो तर्क देते हैं कि यदि AI को प्रयोग करने, अलग-अलग चीज़ें आज़माने, असफल होने और उस प्रक्रिया से सीखने की स्वायत्तता दी जाए, तो वह मानव बुद्धि जैसी किसी चीज़ में विकसित हो सकता है। यह विचार मौजूदा मॉडलिंग और अनुकूलन से आगे स्वायत्त अनुसंधान प्रणालियों की ओर संकेत करता है। दी गई पाठ्य सामग्री यह नहीं कहती कि ऐसी प्रणालियाँ पहले ही उस स्तर की स्वायत्तता हासिल कर चुकी हैं; यह अवधारणा को एक संभावना के रूप में प्रस्तुत करती है।

व्यावहारिक सबक अधिक तात्कालिक है। MIT के शोधकर्ता एक एकल सार्वभौमिक AI सफलता का इंतज़ार नहीं कर रहे हैं। वे मशीन लर्निंग को विशिष्ट वैज्ञानिक और इंजीनियरिंग समस्याओं पर लागू कर रहे हैं, जहाँ डेटा, सिमुलेशन और अनुकूलन काम की गति बदल सकते हैं। परिणाम एक ऐसा शोध वातावरण है जिसमें AI प्रयोगात्मक उपकरण-संग्रह का हिस्सा बनता जा रहा है।

इससे मानवीय विशेषज्ञता की आवश्यकता समाप्त नहीं होती। स्रोत सामग्री के उदाहरण इसके विपरीत दिखाते हैं। शोधकर्ता अब भी प्रणालियों को परिभाषित करते हैं, भौतिक सीमाओं को समझते हैं और यह तय करते हैं कि कौन से परिणाम महत्वपूर्ण हैं। AI खोज-क्षेत्र और मॉडलिंग क्षमता का विस्तार करता है, लेकिन वैज्ञानिक प्रश्न विषय-विशेष ज्ञान में ही जड़े रहते हैं।

यह लेख MIT Technology Review की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.