MIT प्रयोगशाळा AI ला ऊर्जा प्रणाली, एरोस्पेस साहित्य आणि वैज्ञानिक शोधासाठी साधनात रूपांतरित करत आहेत

MIT मध्ये AI विशेष क्षेत्रातून पायाभूत स्तराकडे जात आहे

MIT Technology Review च्या एका फीचरनुसार, MIT संशोधनात कृत्रिम बुद्धिमत्ता ही एक कार्यरत थर बनली आहे, कारण संस्थेतील प्रयोगशाळा ही तंत्रज्ञान कसे वापरत आहेत हे त्या कथेत दाखवले आहे. ही कहाणी AI ला संगणक विज्ञानापुरते मर्यादित स्वतंत्र शास्त्र न मानता, यांत्रिक अभियांत्रिकी, एरोस्पेस साहित्य, ऊर्जा प्रणाली आणि प्रायोगिक विज्ञानात आता अंतर्भूत झालेले साधन म्हणून वर्णन करते.

हा बदल सिली डेंग यांच्या कामात स्पष्ट दिसतो. त्या मेकॅनिकल इंजिनिअरिंगच्या सहयोगी प्राध्यापक आहेत आणि दहन गतीशास्त्र, उत्सर्जन कमी करणे आणि ऊर्जा साहित्यांचे फ्लेम सिंथेसिस यांचा अभ्यास करतात. AI कडे डेंग यांचा प्रवास covid महामारीमुळे निर्माण झालेल्या अडथळ्यांमुळे घडला. 2019 मध्ये MIT च्या संकुलात सामील झाल्यानंतर, त्या आपले प्रयोगशाळा उभारण्याच्या तयारीत असताना नूतनीकरणाच्या कामामुळे ते थांबले. थांबून राहण्याऐवजी, मशीन लर्निंग त्यांच्या दहन संशोधनात कुठे पोकळी भरू शकते हे तपासायला त्यांनी आपल्या टीमला सांगितले.

दहन प्रणालींसाठी डिजिटल ट्विन्स

डेंग यांच्या Energy and Nanotechnology Group ने AI वापरून एक डिजिटल ट्विन विकसित केला, जो एका ऊर्जा आणि प्रवाह उपकरणाच्या कार्यक्षमतेचे प्रतिबिंब देतो. डिजिटल ट्विन म्हणजे भौतिक प्रणालीची संगणकीय प्रतिकृती, जी बदलत्या परिस्थितींमध्ये ती प्रणाली कशी वागते हे दर्शवण्यासाठी तयार केली जाते. या प्रकरणात, दीर्घकालीन उद्दिष्ट वास्तविक वेळेत इंधन दहन प्रणालींचा अंदाज घेणे आणि त्यांचे नियंत्रण करणे हे आहे.

हे उद्दिष्ट महत्त्वाचे आहे, कारण दहन प्रणाली ऊर्जा आणि वाहतूक अर्थव्यवस्थेच्या अनेक भागांसाठी केंद्रस्थानी राहिल्या आहेत. अधिक चांगला अंदाज आणि नियंत्रण संशोधकांना कार्यक्षमता, उत्सर्जन आणि कार्यकारी स्थैर्य यांचे आकलन करण्यास मदत करू शकते, जे केवळ भौतिक चाचण्यांद्वारे पकडणे कठीण असते. दिलेल्या स्रोत सामग्रीत ही प्रणाली आधीच उत्पादनात पूर्ण वास्तविक-वेळ नियंत्रणापर्यंत पोहोचली आहे असा दावा नाही. त्यात असे म्हटले आहे की मॉडेल अखेरीस वास्तविक वेळेत इंधन दहन प्रणालींचे कार्य भाकीत आणि नियंत्रित करू शकेल.

हे उदाहरण AI संशोधन प्रयोगशाळांमध्ये इतक्या वेगाने का पसरले आहे याचे एक कारण दाखवते: ते विद्यमान वैज्ञानिक ज्ञानाची जागा घेत नाही, तर त्याचा विस्तार करते. डेंग यांच्या टीमने मशीन लर्निंगकडे दहनाच्या मूलभूत तत्त्वांच्या दृष्टीकोनातून पाहिले, विद्यमान पद्धतींमध्ये कुठे उणिवा आहेत हे शोधले. ही चौकट AI ला सर्वसाधारण शॉर्टकट मानण्यापेक्षा वेगळी आहे. ती उपयुक्त प्रश्न ठरवण्यासाठी आणि मॉडेलचे आउटपुट योग्य वाटते का हे तपासण्यासाठी विषय-तज्ज्ञ ज्ञानाचा वापर करते.

AI-सहाय्यित एरोस्पेस साहित्य रचना

या फीचरमध्ये झॅकरी कॉर्डेरो यांच्या कामाचेही वर्णन आहे. ते एरोनॉटिक्स आणि अॅस्ट्रोनॉटिक्सचे सहयोगी प्राध्यापक असून उदयोन्मुख एरोस्पेस अनुप्रयोगांसाठी नवी साहित्ये आणि संरचना विकसित करतात. अभियांत्रिकी डिझाइनसाठी machine learning आणि optimization मध्ये विशेष प्राविण्य असलेले मेकॅनिकल इंजिनिअरिंगचे सहयोगी प्राध्यापक फाएझ अहमद यांच्याशी संपर्क झाल्यानंतर कॉर्डेरो यांनी AI वापरायला सुरुवात केली.

अहमद आणि इतर सहकाऱ्यांसह, U.S. Defense Advanced Research Projects Agency द्वारे प्रायोजित प्रकल्पावर काम करताना, कॉर्डेरो यांनी blisk च्या साहित्य रचनेचे optimization करण्यासाठी एक AI साधन विकसित केले. blisk, किंवा bladed disk, हे जेट आणि रॉकेट टर्बाइन इंजिनमधील एक प्रमुख घटक आहे. या कामाचा उद्देश इंजिनची कार्यक्षमता आणि आयुष्य वाढवणे हा आहे, आणि ते जड-उचल प्रक्षेपण वाहनांसाठी अधिक विश्वासार्ह पुन्हा वापरता येणाऱ्या रॉकेट इंजिनांमध्ये योगदान देऊ शकते.

स्रोत सामग्रीतील कॉर्डेरो यांची टिप्पणी महत्त्वाची आहे: ज्या समस्यांवर अंतर्ज्ञान जवळजवळ अशक्य आहे अशा समस्यांमध्ये AI प्रणालीने मानवी अंतर्ज्ञानाला पूरक मदत केल्याचे ते म्हणाले. उच्च-कार्यक्षमता असलेल्या एरोस्पेस प्रणालींसाठी साहित्य रचनेत रचना, टिकाऊपणा आणि कार्यपरिस्थिती यांसह अनेक परस्परसंवादी चल असतात. AI optimization अशा गुंतागुंतीच्या डिझाइन जागा शोधू शकते, ज्या माणसांना हाताने शोधणे कठीण असते.

संशोधन पद्धतीतील व्यापक बदल

MIT ची उदाहरणे सूचित करतात की AI चा सर्वात तातडीचा वैज्ञानिक परिणाम स्थापित क्षेत्रांमध्ये त्याच्या एकात्मतेतून येऊ शकतो. दहन संशोधनात, ते गतिशील प्रणालींचे मॉडेल तयार करू शकते आणि अखेरीस त्यांचे नियंत्रण करण्यात मदत करू शकते. एरोस्पेस साहित्यांमध्ये, ते अत्यंत परिस्थितींमध्ये टिकून राहाव्या लागणाऱ्या घटकांचे optimization करण्यास मदत करू शकते. प्रयोगशाळांमध्ये, ते पद्धती वेगवान करू शकते आणि शोधासाठी नवी दारे उघडू शकते.

स्रोत सामग्रीत प्राध्यापक जू ली यांचेही उद्धरण आहे. AI ला प्रयोग करणे, वेगवेगळ्या गोष्टी करून पाहणे, अपयशी होणे आणि त्या प्रक्रियेतील शिकण्याची स्वायत्तता दिली, तर ते मानवी बुद्धिमत्तेसारख्या काहीतरी स्वरूपात विकसित होऊ शकते, असे ते म्हणतात. ही कल्पना सध्याच्या मॉडेलिंग आणि optimization पलीकडे जाऊन स्वायत्त संशोधन प्रणालींकडे निर्देश करते. दिलेल्या मजकुरात अशा प्रणालींनी आधीच त्या पातळीची स्वायत्तता मिळवली आहे असे म्हटलेले नाही; ती संकल्पना एक शक्यता म्हणून मांडली आहे.

व्यावहारिक धडा अधिक तातडीचा आहे. MIT संशोधक एकाच सार्वत्रिक AI ब्रेकथ्रूची वाट पाहत नाहीत. डेटा, सिम्युलेशन आणि optimization कामाचा वेग बदलू शकतील अशा विशिष्ट वैज्ञानिक आणि अभियांत्रिकी समस्यांवर ते machine learning लागू करत आहेत. परिणामी, AI प्रयोगात्मक टूलकिटचा भाग बनत चाललेले संशोधन वातावरण तयार होत आहे.

यामुळे मानवी तज्ज्ञतेची गरज कमी होत नाही. स्रोत सामग्रीतील उदाहरणे उलट दाखवतात. संशोधक अजूनही प्रणाली परिभाषित करतात, भौतिक मर्यादा समजून घेतात आणि कोणते परिणाम महत्त्वाचे आहेत हे ठरवतात. AI शोधाची व्याप्ती आणि मॉडेलिंग क्षमता वाढवते, पण वैज्ञानिक प्रश्न अजूनही domain knowledge वर आधारलेले राहतात.

हा लेख MIT Technology Review च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.