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.
