भौतिकी-निर्देशित AI ने 31 पहले से अज्ञात उच्च-डाइइलेक्ट्रिक ऑक्साइड की पहचान की

पदार्थों की खोज की एक समस्या का सामना भौतिकी-सचेत AI दृष्टिकोण से

तोहोकू विश्वविद्यालय के शोधकर्ताओं का कहना है कि उन्होंने एक ऐसी AI विधि विकसित की है जो पारंपरिक पूर्वानुमान तरीकों की तुलना में अधिक सटीकता के साथ हज़ारों पदार्थों की डाइइलेक्ट्रिक क्षमता की तेज़ी से स्क्रीनिंग कर सकती है। Physical Review X में प्रकाशित एक अध्ययन में टीम ने बताया कि इस विधि ने 8,000 से अधिक उम्मीदवारों की स्क्रीनिंग के दौरान 31 पहले से अज्ञात उच्च-डाइइलेक्ट्रिक ऑक्साइड पदार्थों की पहचान करने में मदद की।

यह प्रगति पदार्थ विज्ञान में लंबे समय से बनी एक बाधा को संबोधित करती है। यह अनुमान लगाना कि कोई पदार्थ विद्युत क्षेत्रों पर कैसे प्रतिक्रिया करेगा, गणनात्मक रूप से कठिन है, जबकि वही प्रतिक्रिया आधुनिक इलेक्ट्रॉनिक्स का केंद्रीय हिस्सा है। डाइइलेक्ट्रिक पदार्थ स्मार्टफोन और कंप्यूटर सहित उपकरणों में व्यापक रूप से उपयोग किए जाते हैं, इसलिए संभावित उम्मीदवारों को खोजने के बेहतर उपकरणों का व्यावहारिक महत्व बहुत अधिक हो सकता है।

प्रत्यक्ष पूर्वानुमान कठिन क्यों है

जटिल भौतिक गुणों का AI प्रणालियों द्वारा विश्वसनीय पूर्वानुमान लगाना अक्सर कठिन होता है, खासकर जब उन्हें एक ही आउटपुट के रूप में देखा जाए। तोहोकू समूह ने इस प्रत्यक्ष शॉर्टकट से बचने का समाधान चुना। मॉडल से सीधे डाइइलेक्ट्रिक स्थिरांक का अनुमान लगाने के बजाय, शोधकर्ताओं ने समस्या को अधिक बुनियादी भौतिक मात्राओं के इर्द-गिर्द संरचित किया, जो अंतिम गुण में योगदान देती हैं।

स्रोत पाठ में वर्णित प्रणाली में, मॉडल अलग-अलग रूप से Born effective charges का अनुमान लगाता है, जो बताते हैं कि परमाणु विद्युत क्षेत्रों पर कैसे प्रतिक्रिया करते हैं, और phonon properties का, जो किसी पदार्थ में परमाणु कंपन को पकड़ती हैं। इन घटकों को फिर एक भौतिक सूत्र के माध्यम से जोड़कर ionic dielectric tensor का पुनर्निर्माण किया जाता है।

यह डिज़ाइन पेपर के दावे का मूल है। शोधकर्ताओं का तर्क है कि कार्यप्रवाह में भौतिकी को शामिल करने से AI उन तरीकों की तुलना में तेज़ और अधिक विश्वसनीय बनती है, जो क्रिस्टल संरचना से सीधे अंतिम डाइइलेक्ट्रिक व्यवहार तक छलांग लगाने की कोशिश करते हैं।

स्क्रीनिंग में क्या मिला

इस विधि का उपयोग करते हुए टीम ने 8,000 से अधिक ऑक्साइड पदार्थों की स्क्रीनिंग की और क्षेत्र को 31 पहले से अज्ञात उच्च-डाइइलेक्ट्रिक ऑक्साइड तक सीमित कर दिया। यह खोज-क्षेत्र में एक पर्याप्त कमी है, और यह पदार्थ खोज में AI की व्यावहारिक भूमिका को उजागर करती है: प्रयोगों या प्रथम-सिद्धांत गणनाओं को पूरी तरह बदलना नहीं, बल्कि शोधकर्ताओं को यह तय करने में मदद करना कि आगे महंगे प्रयास कहाँ लगाए जाएँ।

इलेक्ट्रॉनिक्स के लिए यह महत्वपूर्ण है, क्योंकि उच्च-डाइइलेक्ट्रिक पदार्थ विद्युत क्षेत्रों को नियंत्रित करने, घटकों में ऊर्जा संग्रहीत करने, और जैसे-जैसे उपकरण अधिक मांग वाले होते जाते हैं, प्रदर्शन सुधार को सक्षम करने में अहम भूमिका निभाते हैं। इस पैमाने पर उम्मीदवारों की खोज पारंपरिक गणनात्मक कार्यप्रवाहों के साथ अकेले तेज़ी से करना कठिन है।

यह दृष्टिकोण अलग क्यों दिखता है

अध्ययन का महत्व इस बात में है कि यह मशीन लर्निंग को भौतिक संरचना के साथ कैसे संतुलित करता है। मॉडल को एक ऐसे ब्लैक बॉक्स के रूप में प्रस्तुत नहीं किया गया है जो बस काम कर जाता है। इसे एक ऐसी प्रणाली के रूप में देखा गया है जो स्थापित भौतिक अर्थ वाली मध्यवर्ती विशेषताओं को सीखती है और फिर उन हिस्सों से बड़े व्यवहार का पुनर्निर्माण करती है।

यह वैज्ञानिक संदर्भों में विशेष रूप से उपयोगी हो सकता है, जहाँ शोधकर्ता केवल पूर्वानुमान प्रदर्शन ही नहीं, बल्कि भरोसे, त्रुटि विश्लेषण और संबंधित समस्याओं पर प्रयोज्यता की भी परवाह करते हैं। व्याख्येय भौतिक घटकों पर आधारित मॉडल को सत्यापित करना आसान और आसपास की पदार्थ-संबंधी चुनौतियों तक विस्तारित करना सरल हो सकता है।

इलेक्ट्रॉनिक्स और खोज पाइपलाइनों पर प्रभाव

तत्काल प्रभाव गति है। यदि पदार्थ वैज्ञानिक हज़ारों यौगिकों की अधिक कुशलता से स्क्रीनिंग कर सकते हैं, तो वे सिद्धांत और प्रयोगात्मक सत्यापन के बीच की दूरी को छोटा कर सकते हैं। समय के साथ, इससे अगली पीढ़ी के capacitors, transistors, memories और अन्य इलेक्ट्रॉनिक प्रणालियों के लिए उपयुक्त पदार्थों की खोज तेज़ हो सकती है, जो डाइइलेक्ट्रिक प्रदर्शन पर निर्भर करती हैं।

दीर्घकालिक प्रभाव पद्धतिगत है। Physics-guided AI शायद उन स्पष्ट तरीकों में से एक हो सकती है, जिनसे मशीन लर्निंग को वास्तविक रूप से उन कठिन-विज्ञान क्षेत्रों में उपयोगी बनाया जा सके, जहाँ डेटा कम हो सकता है, सिमुलेशन महंगे होते हैं, और एक्सट्रापोलेशन जोखिमभरा होता है। डोमेन ज्ञान को बाधा मानने के बजाय, तोहोकू टीम इसे उस ढांचे के रूप में देखती है जो AI को अधिक भरोसेमंद बनाता है।

AI दावे का एक अधिक सीमित लेकिन अधिक उपयोगी रूप

यह पेपर किसी सार्वभौमिक materials oracle का वादा नहीं करता। इसका दावा अधिक अनुशासित है और इसी कारण अधिक विश्वसनीय भी: AI को ज्ञात भौतिक संबंधों के साथ जोड़कर, शोधकर्ता materials screening में सुधार कर सकते हैं और अधिक कुशलता से अनदेखे उम्मीदवारों की पहचान कर सकते हैं। इस मामले में, इसका परिणाम 31 नए उच्च-डाइइलेक्ट्रिक ऑक्साइड leads के रूप में सामने आया।

उभरते हुए इलेक्ट्रॉनिक्स शोध के लिए, यह वही तरह की प्रगति है जो मायने रखती है। बेहतर पदार्थ अक्सर पूर्वानुमान, फ़िल्टरिंग और सत्यापन में छोटे-छोटे सुधारों की लंबी श्रृंखला से सामने आते हैं। यह कार्य संकेत देता है कि उन कड़ियों में से एक अब बहुत अधिक मज़बूत हो सकती है।

यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.