मॅनहॅटनमधील लॅबमध्ये AI अनेक दशकांची मटेरियल्स-शोध प्रक्रिया दिवसांमध्ये संक्षिप्त करण्याचा प्रयत्न करत आहे

मटेरियल्स सायन्सलाही आता स्वतःचे स्वायत्त लॅब मॉडेल मिळत आहे

मिडटाउन मॅनहॅटनमधील एका लॅबमध्ये, एक रोबोटिक प्रणाली घटक मिसळत आहे, मिश्रधातू वितळवत आहे, संरचना विश्लेषित करत आहे, आणि मानवी हस्तक्षेप अत्यल्प ठेवून कामगिरीची चाचणी घेत आहे. येथे उद्देश फक्त ऑटोमेशन नाही. AI ला नवीन मटेरियल्स सुचवू देणे, त्यांचे मूल्यमापन करण्यासाठी आवश्यक प्रयोग चालवू देणे, निकालांमधून शिकू देणे, आणि पारंपरिक मटेरियल्स संशोधन क्वचितच गाठते त्या गतीने हा चक्र पुन्हा पुन्हा करू देणे हा आहे.

ही लॅब Radical AI या स्टार्टअपची आहे, आणि तिचा दावा आहे की हा दृष्टिकोन अधिक काळ टिकणाऱ्या जेट इंजिन्सपासून फ्युजन ऊर्जा प्रणालींपर्यंतच्या अनुप्रयोगांसाठी नवीन औद्योगिक मटेरियल्सपर्यंतचा मार्ग लहान करू शकतो. कंपनीचा दावा असा आहे की AI केवळ परिचित सूत्रे छाननी करण्यापेक्षा अधिक काही करू शकतो. तो संपूर्ण शोध-चक्र चालविण्यात मदत करू शकतो.

मटेरियल्सचा शोध इतका कठीण का असतो

नवीन मटेरियल विकसित करणे ही अनेकदा अतिशय संथ प्रक्रिया असते. शास्त्रज्ञ गृहितके तयार करतात, एक उमेदवार तयार करतात, त्याचे गुणधर्म तपासतात, चाचणी करतात, आणि मग काय घडले यावरून गृहितक सुधारतात. Fast Company नुसार, हा चक्र 20 वर्षे किंवा त्याहून अधिक वेळ घेऊ शकतो. ही दिरंगाई महत्त्वाची आहे, कारण नवीन मटेरियल्सची मागणी वाढत असतानाच जगाला टंचाई, कार्यक्षमतेवरील मर्यादा, आणि उत्खनन व उत्पादनाच्या पर्यावरणीय ओझ्याचा सामना करावा लागत आहे.

म्हणजेच, मटेरियल्स सायन्समध्ये उच्च-मूल्याच्या समस्या भरपूर आहेत, पण प्रयोगांच्या वेगावर मर्यादा आहेत. त्यामुळे मोठ्या डिझाइन स्पेसेस शोधू शकणाऱ्या AI प्रणालींसाठी, आणि मानवी कामाच्या तासांची वाट न पाहता अनेक पुनरावृत्ती चाचण्या करू शकणाऱ्या रोबोटिक्ससाठी हे अगदी नैसर्गिक ठरते.

Radical AI आपली प्रणाली कशी काम करते असे म्हणते

स्रोत मजकुरानुसार, कंपनीची AI प्रणाली पाच सेकंदांत 10,000 वैज्ञानिक पेपर्सचे पुनरावलोकन करू शकते. टीम एखाद्या समस्येवर काम सुरू करताना, ती प्रणालीला आवश्यक मटेरियल गुणधर्मांचा संच देते. त्यानंतर AI 380,000 पेपर्स आणि लॅबमधील 57 दशलक्ष डेटा पॉइंट्सवर अवलंबून असते, ज्यामध्ये अपयशी प्रयोगांचाही समावेश आहे, जे सहसा प्रकाशित साहित्यात दिसत नाहीत.

हा शेवटचा मुद्दा महत्त्वाचा आहे. विज्ञानात, अपयशांमध्ये अनेकदा शोध-क्षेत्र कमी करण्यास मदत करणारी माहिती असते, पण ती अपयशे अंतर्गत नोंदवहीच्या बाहेर क्वचितच दिसतात. Radical ची प्रणाली त्यांना आपल्या कार्यस्मृतीचा भाग म्हणून वापरते आणि नंतर तपासण्यासाठी डझनभर ते काही शेकड्यांपर्यंत उमेदवार मटेरियल्स सुचवते.

फक्त अंदाज-यंत्र नाही, तर स्वयं-चालित लॅब

ही लॅब मानक मटेरियल्स सायन्स उपकरणांभोवती उभारलेली आहे, पण तिचा वर्कफ्लो अत्यंत स्वयंचलित आहे. Fast Company च्या अहवालानुसार, ही मांडणी दररोज 50 प्रयोगांपर्यंत चालवू शकते आणि उन्हाळ्याच्या अखेरीस दररोज 100 प्रयोगांचे लक्ष्य ठेवते. CEO Joseph Krause याची तुलना अशा मानवी मटेरियल्स शास्त्रज्ञाशी करतो, जो वर्षाला कदाचित 50 प्रयोग करू शकेल.

याचा अर्थ असा नाही की मानव प्रक्रिया सोडून देतात. याचा अर्थ मानवी संशोधक लक्ष्य निश्चित करणे, आउटपुटचे मूल्यमापन करणे, आणि कोणत्या दिशा महत्त्वाच्या आहेत हे ठरवणे याकडे वळतात. Radical चे म्हणणे असे आहे की एकाच वैज्ञानिकाला अनेक समस्यांवर लक्ष केंद्रित करता येईल, कारण प्रणाली साहित्य पुनरावलोकन, गृहितक निर्मिती, आणि प्रयोगांची अंमलबजावणी यातील मोठा भार स्वतः सांभाळते.

यामुळे काय बदलू शकते

जर हे मॉडेल टिकून राहिले, तर औद्योगिक R&D मधील सर्वात जिद्दी मर्यादांपैकी एक बदलू शकते: अपेक्षित गुणधर्मांच्या प्रोफाइलपासून वापरता येण्याजोग्या नवीन मटेरियलपर्यंत पोहोचण्यासाठी लागणारा वेळ. जलद शोधामुळे थेट व्यावसायिकीकरणाची हमी मिळणार नाही, पण संशोधकांना अधिक कल्पना तपासू देऊन आणि वाईट कल्पना लवकर टाकून देऊ देऊन, ते फनेल मोठ्या प्रमाणात रुंद करू शकते.

गेल्या वर्षी कंपनीने seed round मध्ये $55 million उभारले, जे दर्शवते की केवळ विज्ञानाचा सारांश देण्याचे नव्हे, तर भौतिक हार्डवेअरबरोबर अधिक घट्ट लूपमध्ये ते पार पाडण्याचे वचन देणाऱ्या AI प्रणालींकडे गुंतवणूकदारांचे किती लक्ष आहे. सॉफ्टवेअर बेंचमार्कपेक्षा हा दावा पडताळणे अधिक कठीण आहे. पण AI जर प्रत्यक्ष जगात संशोधनाचे रूप बदलणार असेल, तर हाच दावा महत्त्वाचा ठरतो.

ही लॅब का उठून दिसते

• ही प्रणाली AI-आधारित गृहितक निर्मिती आणि स्वयंचलित प्रयोगात्मक वर्कफ्लो एकत्र करते.
• ती प्रकाशित साहित्याबरोबरच कोट्यवधी अंतर्गत लॅब डेटा पॉइंट्सवर अवलंबून असते.
• कंपनी म्हणते की लॅब सध्या दररोज 50 प्रयोग चालवू शकते, आणि लक्ष्य 100 आहे.

वर्षानुवर्षे, विज्ञानातील AI ची भूमिका अनेकदा अमूर्त भाषेत वर्णन केली गेली आहे. Radical AI अधिक ठोस असा युक्तिवाद करत आहे: शोधाचे भविष्य अशा मशीनवर अवलंबून असू शकते जी वाचू शकतात, तर्क करू शकतात, आणि मग औद्योगिक वेगाने स्वतःच्या कल्पना भौतिकरित्या तपासू शकतात.

हा लेख Fast Company च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.