भौतिकशास्त्र-मार्गदर्शित AI ने 31 पूर्वी अज्ञात उच्च-डायइलेक्ट्रिक ऑक्साइड ओळखले

सामग्री शोधाच्या समस्येला भौतिकशास्त्र-जाणकार AI दृष्टिकोनाची भेट

Tohoku University मधील संशोधकांचे म्हणणे आहे की त्यांनी एक अशी AI पद्धत विकसित केली आहे जी dielectric कार्यक्षमतेसाठी हजारो पदार्थांचे वेगाने स्क्रिनिंग करू शकते आणि अधिक पारंपरिक भाकित पद्धतींच्या तुलनेत अचूकताही सुधारते. Physical Review X मध्ये प्रकाशित एका अभ्यासात, पथकाने नोंदवले की 8,000 हून अधिक उमेदवारांच्या स्क्रिनिंग रनमधून या पद्धतीने 31 पूर्वी अज्ञात उच्च-डायइलेक्ट्रिक ऑक्साइड पदार्थ ओळखण्यास मदत केली.

ही प्रगती materials science मधील दीर्घकाळ टिकून असलेल्या bottleneck ला संबोधित करते. एखादा पदार्थ विद्युत क्षेत्रांना कसा प्रतिसाद देईल हे भाकीत करणे संगणकीयदृष्ट्या अवघड आहे, तरी तोच प्रतिसाद आधुनिक electronics साठी मूलभूत आहे. स्मार्टफोन आणि संगणकांसारख्या उपकरणांमध्ये dielectric materials मोठ्या प्रमाणावर वापरले जातात, त्यामुळे आशादायक उमेदवार शोधण्यासाठी चांगली साधने मोठे व्यावहारिक मूल्य देऊ शकतात.

थेट भाकीत करणे कठीण का आहे

जटिल सामग्री गुणधर्मांना एकच output मानले, तर AI systems कडून त्यांचे विश्वसनीय भाकीत करणे अनेकदा कठीण होते. Tohoku गटाचे उत्तर हे थेट शॉर्टकट टाळणे होते. model ला dielectric constant सरळ ओळखण्यास सांगण्याऐवजी, संशोधकांनी अंतिम गुणधर्मात योगदान देणाऱ्या अधिक मूलभूत भौतिक राशींच्या आसपास समस्या संरचित केली.

स्रोत मजकुरात वर्णन केलेल्या प्रणालीमध्ये, model Born effective charges वेगळे भाकीत करते, जे अणू विद्युत क्षेत्रांना कसा प्रतिसाद देतात हे दर्शवतात, आणि phonon properties देखील, जे पदार्थातील अणु-कंपने पकडतात. त्यानंतर हे घटक एका physical formula द्वारे एकत्र करून ionic dielectric tensor पुनर्रचित केला जातो.

हीच रचना पेपर वादाचा गाभा आहे. कार्यप्रवाहात physics समाविष्ट केल्यास AI हे crystal structure पासून अंतिम dielectric वर्तनापर्यंत थेट झेप घेण्याचा प्रयत्न करणाऱ्या पद्धतींपेक्षा अधिक जलद आणि अधिक विश्वासार्ह ठरते, असा संशोधकांचा युक्तिवाद आहे.

स्क्रिनिंगमध्ये काय आढळले

या पद्धतीचा वापर करून, पथकाने 8,000 हून अधिक ऑक्साइड पदार्थांचे स्क्रिनिंग केले आणि क्षेत्र 31 पूर्वी अज्ञात उच्च-डायइलेक्ट्रिक ऑक्साइड्सपर्यंत मर्यादित केले. ही शोध-परिसरात लक्षणीय घट आहे, आणि हे materials discovery मध्ये AI ची व्यावहारिक भूमिका अधोरेखित करते: प्रयोग किंवा first-principles calculations पूर्णपणे बदलणे नव्हे, तर पुढे कुठे महागडे प्रयत्न करावेत हे ठरविण्यास संशोधकांना मदत करणे.

electronics साठी ते महत्त्वाचे आहे, कारण उच्च-डायइलेक्ट्रिक materials विद्युत क्षेत्रे नियंत्रित करणे, घटकांमध्ये ऊर्जा साठवणे, आणि उपकरणे अधिक मागणीची होत असताना कार्यक्षमतेत सतत सुधारणा सक्षम करणे यासाठी निर्णायक असतात. इतक्या प्रमाणावर उमेदवार शोधणे पारंपरिक computational workflows ने त्वरीत करणे कठीण आहे.

हा दृष्टिकोन वेगळा का ठरतो

या अभ्यासाचे महत्त्व machine learning आणि भौतिक रचना यांच्यातील समतोलात आहे. model ला एखाद्या black box प्रमाणे सादर केलेले नाही जे योगायोगाने कार्य करते. त्याऐवजी, तो स्थापित भौतिक अर्थ असलेल्या मध्यवर्ती गुणधर्मांचे शिक्षण घेतो आणि मग त्या तुकड्यांमधून मोठे वर्तन पुनर्रचित करतो, अशा प्रणालीच्या रूपात तो मांडला आहे.

वैज्ञानिक परिस्थितीत हे विशेषतः उपयुक्त ठरू शकते, कारण संशोधकांना केवळ भाकित क्षमता नव्हे तर trust, error analysis, आणि संबंधित समस्यांवरील portability यांचीही काळजी असते. समजण्याजोग्या भौतिक घटकांवर आधारित model चे सत्यापन करणे सोपे असू शकते, तसेच शेजारील materials challenges वर विस्तारणेही सोपे असू शकते.

electronics आणि discovery pipelines साठी परिणाम

तात्काळ परिणाम म्हणजे गती. जर materials scientists हजारो संयुगे अधिक कार्यक्षमतेने स्क्रिन करू शकले, तर सिद्धांत आणि प्रायोगिक पडताळणी यांमधील अंतर कमी होऊ शकते. दीर्घकाळात, त्यातून next-generation capacitors, transistors, memories, आणि dielectric कार्यक्षमतेवर अवलंबून असलेल्या इतर electronic systems साठी योग्य पदार्थांचा शोध वेगाने होऊ शकतो.

दीर्घकालीन परिणाम पद्धतशीर आहे. Physics-guided AI हे hard-science domains मध्ये machine learning खरोखर उपयुक्त करण्याचा सर्वात स्पष्ट मार्गांपैकी एक असू शकते, जिथे डेटा कमी असतो, simulations महाग असतात, आणि extrapolation धोकादायक असते. domain knowledge ला अडथळा मानण्याऐवजी, Tohoku टीम ते AI अधिक विश्वासार्ह बनवणारे scaffolding मानते.

AI दाव्याचे अधिक संकुचित पण अधिक उपयुक्त रूप

हा paper सर्वसमावेशक materials oracle चे वचन देत नाही. त्याचा दावा अधिक शिस्तबद्ध आणि त्यामुळे अधिक विश्वासार्ह आहे: AI ला ज्ञात भौतिक संबंधांशी जोडून, संशोधक materials screening सुधारू शकतात आणि दुर्लक्षित उमेदवार अधिक कार्यक्षमतेने शोधू शकतात. या प्रकरणात, त्याचे रूपांतर 31 नवीन high-dielectric oxide leads मध्ये झाले.

emerging electronics research साठी, हीच ती प्रगती आहे जी महत्त्वाची ठरते. चांगली सामग्री अनेकदा भाकित, छाननी, आणि पडताळणीतील छोट्या सुधारणांच्या दीर्घ साखळीतूनच येते. हे काम सूचित करते की त्या साखळीतील एक दुवा आता अधिक मजबूत होत आहे.

हा लेख Phys.org च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.