एआयने संशोधन लेखांमधून उष्णता-स्थिर, शिसामुक्त डायइलेक्ट्रिक्स शोधले

विखुरलेल्या पदार्थ-साहित्यातून एआय एक शोधयंत्र बनतो

सोल नॅशनल युनिव्हर्सिटीतील संशोधकांचे म्हणणे आहे की त्यांनी शेकडो वैज्ञानिक लेखांमध्ये विखुरलेला डेटा कृत्रिम बुद्धिमत्तेच्या मदतीने काढून व व्यवस्थित करून शिसामुक्त डायइलेक्ट्रिक सामग्रीच्या शोधाला गती देण्याची पद्धत विकसित केली आहे. त्यानंतर ही माहिती भौतिकी-आधारित मशीन लर्निंगसोबत जोडून प्रयोगात्मक पडताळणीसाठी आशादायक संयुगे ओळखली गेली.

हे काम पदार्थ-विज्ञानातील एक परिचित समस्या हाताळते: उत्तम सामग्री रचना करण्यासाठी लागणारा पुरावा अनेकदा अस्तित्वात असतो, पण तो मोठ्या साहित्यसमूहात मजकूर, तक्ते आणि चार्ट्समध्ये विखुरलेला असतो. त्यामुळे पारंपरिक शोध प्रक्रिया मंद आणि श्रमसाध्य होते, विशेषतः अशा क्षेत्रांमध्ये जिथे कामगिरी एकाच वेळी अनेक गुणधर्मांचा समतोल राखण्यावर अवलंबून असते.

या प्रकरणात लक्ष्य असे शिसामुक्त डायइलेक्ट्रिक्स आहेत जे उच्च तापमानातही स्थिर कार्यक्षमतेचा टिकाव धरतात. ही सामग्री महत्त्वाची आहे कारण डायइलेक्ट्रिक्स थेट प्रवाह अडवत विद्युत चार्ज साठवतात, त्यामुळे स्मार्टफोन, इलेक्ट्रिक वाहने आणि इलेक्ट्रॉनिक्सच्या विस्तृत श्रेणीत वापरल्या जाणाऱ्या मल्टीलायर सिरेमिक कॅपॅसिटर्ससाठी ती केंद्रस्थानी आहे.

ही सामग्री का महत्त्वाची आहे

डायइलेक्ट्रिक सामग्री आधुनिक इलेक्ट्रॉनिक्सची मूलभूत घटक आहेत. जास्त डायइलेक्ट्रिक स्थिरांक असलेला घटक समान आकारात अधिक विद्युत ऊर्जा साठवू शकतो, जे संक्षिप्त उपकरणांसाठी उपयुक्त आहे. पण क्षमता पुरेशी नाही. प्रत्यक्ष वापरासाठी, सामग्रीला कार्यरत तापमानांच्या श्रेणीतही स्थिर राहावे लागते.

ही अट कठीण रचना-आव्हान निर्माण करते. एखादी सामग्री एका कामगिरीच्या निकषावर आकर्षक दिसू शकते, पण दुसऱ्यावर अपयशी ठरू शकते, आणि संशोधकांना ऐतिहासिकदृष्ट्या पुनरावृत्ती प्रयोगांवर आणि तज्ज्ञांच्या अंतर्ज्ञानावर अवलंबून राहावे लागले आहे. सोल नॅशनल युनिव्हर्सिटीच्या टीमनुसार, त्यांची पद्धत शोधाला मर्यादित स्पष्ट उमेदवारांच्या यादीपासून नव्हे तर लक्ष्य कामगिरी प्रोफाइलपासून सुरू करण्यासाठी तयार केली आहे.

या अभ्यासात इन्व्हर्स-डिझाइन दृष्टिकोन वर्णन केला आहे. एखाद्या संयुगापासून सुरुवात करून ते लक्ष्य पूर्ण करते का हे मोजण्याऐवजी, प्रणाली प्रथम आवश्यक गुणधर्म पूर्ण करण्याची जास्त शक्यता असलेली संयुगे ओळखते. त्यामुळे प्रयोगशाळेची भूमिका अंध शोधापासून केंद्रित पडताळणीकडे वळते.

प्रणाली कशी उभारली

संशोधकांनी बहुविध साहित्य-खनन आणि भौतिकी-आधारित मशीन लर्निंग एकत्र केले. साहित्य-खनन घटक केवळ गद्यच नव्हे तर तक्ते आणि आलेखांमधूनही आपोआप माहिती काढतो, आणि ही एक महत्त्वाची पायरी आहे, कारण सामग्री-संबंधित महत्त्वाचा डेटा अनेकदा अशा स्वरूपात दडलेला असतो की तो पद्धतशीरपणे शोधणे कठीण जाते.

या पद्धतीचा वापर करून टीमने 448 लेखांमधून घेतलेल्या 1,202 डायइलेक्ट्रिक-गुणधर्म नोंदींचा डेटासेट तयार केला. हे स्वतःमध्येच उल्लेखनीय आहे, कारण पदार्थ-विज्ञानात मशीन लर्निंग लागू करण्यातील सर्वात मोठ्या अडथळ्यांपैकी एक म्हणजे प्रकाशित नोंदींपासून वापरण्यायोग्य, संरचित डेटा गोळा करणे.

डेटासेट तयार झाल्यानंतर, टीमने भौतिक ज्ञानाने मार्गदर्शित मशीन लर्निंग वापरून आभासी संयुग-क्षेत्राचा शोध घेतला आणि उच्च-तापमान परिस्थितींमध्येही मजबूत कार्यक्षमता टिकवून ठेवू शकणाऱ्या शिसामुक्त डायइलेक्ट्रिक उमेदवारांची ओळख पटवली. महत्त्व हे फक्त एआय वापरले गेले यामध्ये नाही, तर ते सामान्य पॅटर्न-मॅचिंग साधन म्हणून न वापरता क्षेत्र-निर्बंधांशी बांधले गेले यात आहे.

हा फरक महत्त्वाचा आहे. पदार्थ शोधात असे अनेक दिसणारे संबंध असतात जे प्रयोगात्मक चाचणीत अपयशी ठरतात किंवा अपरिचित रसायनांवर लागू करताना तुटून पडतात. भौतिकी-आधारित पद्धती त्या जोखमी कमी करण्याचा प्रयत्न करतात, कारण त्या मॉडेलला वैज्ञानिकदृष्ट्या अर्थपूर्ण मर्यादांमध्येच शोध घेण्यास भाग पाडतात.

प्रयत्न-चुका पासून लक्ष्यित शोधाकडे

संशोधक हे काम प्रयत्न-चुका-आधारित शोधापासून डेटा-चालित रचनेकडे होत असलेल्या व्यापक बदलाचा भाग म्हणून मांडतात. ही कल्पना अनेक वर्षांपासून चर्चेत आहे, पण संबंधित डेटासेट गोळा करणे आणि त्यांना प्रत्यक्ष प्रयोगात्मक कार्यप्रवाहांशी जोडणे कठीण असल्यामुळे तिचा व्यावहारिक अवलंब मर्यादित राहिला आहे.

हा अभ्यास त्या अडथळ्यापलीकडे जाण्याचा मार्ग सुचवतो. साहित्यामध्ये आधीच विखुरलेली माहिती खणून काढून ही प्रणाली प्रत्यक्षात असा डेटा परत मिळवते, जो अन्यथा विस्कळीत लेखांमध्येच अडकून राहिला असता. ती प्रकाशित निकालांना अधिक मोठ्या, शोधण्यायोग्य रचना-क्षेत्रात रूपांतरित करते.

याचे दोन परिणाम आहेत. पहिले, प्रयोगशाळेत बनविण्यासारखी सामग्री ओळखण्यासाठी लागणारा वेळ कमी होऊ शकतो. दुसरे, ते शास्त्रज्ञांच्या तात्काळ परिचयापलीकडे शोधाचा व्याप वाढवू शकते, संभाव्य पण स्पष्ट नसलेले संयोजन समोर आणू शकते. उदयोन्मुख इलेक्ट्रॉनिक्स आणि विद्युतीकृत प्रणालींसाठी दोन्ही फायदे महत्त्वाचे आहेत, कारण घटक कार्यक्षमता, उष्णता सहनशीलता आणि सामग्री सुरक्षितता यांचा एकमेकांशी वाढता संगम होत आहे.

शिसामुक्त फोकसही महत्त्वाचा आहे. शिसा टाळणाऱ्या सामग्री पर्यावरणीय आणि नियामक कारणांमुळे आकर्षक आहेत, पण कार्यक्षमता न गमावता शिसायुक्त प्रणालींची जागा घेणे हे सततचे आव्हान राहिले आहे. व्यवहार्य पर्याय शोधण्याची शक्यता वाढवणारी पद्धत ग्राहक इलेक्ट्रॉनिक्स, वाहन प्रणाली आणि उच्च-तापमान अनुप्रयोगांमध्ये उपयुक्त ठरू शकते, जिथे कॅपॅसिटर कामगिरी निर्णायक असते.

एका सामग्री-वर्गापलीकडे याचा अर्थ

या अभ्यासाचे व्यापक महत्त्व कदाचित एखाद्या एकाच उमेदवार सामग्रीपेक्षा कार्यप्रवाहात अधिक दडलेले आहे. जर बहुविध साहित्य-खनन विखुरलेला प्रकाशित पुरावा विश्वासार्हपणे प्रशिक्षण-योग्य डेटासेटमध्ये रूपांतरित करू शकत असेल, तर हाच दृष्टिकोन इतर अशा सामग्री-वर्गांवरही विस्तारित केला जाऊ शकतो जिथे मौल्यवान डेटा मुबलक आहे पण नीट संरचित नाही.

त्यामुळे मोठ्या मालकी डेटाबेसपासून न सुरू होणाऱ्या संशोधन सेटिंग्जमध्ये एआय अधिक उपयुक्त ठरेल. त्याऐवजी वैज्ञानिक प्रकाशनच शोध-अवसंरचनेचा भाग बनते. मग मॉडेल फक्त लेख वाचत नाही; ते दशकांच्या साचलेल्या निष्कर्षांना काय काय करून पाहिले गेले, काय काम केले, आणि कोणत्या अनपेक्षित संधी अजूनही शिल्लक आहेत याचा मशीन-शोधण्यायोग्य नकाशा बनविण्यात मदत करते.

मर्यादा अजूनही आहेत. संगणकीय भाकिते संश्लेषण, मोजमाप आणि पुनरुत्पादनाची गरज दूर करत नाहीत. उमेदवार सामग्रींना तरीही तयार करण्याजोगे आणि वास्तव परिस्थितीत स्थिर असल्याचे सिद्ध करावे लागते. पण नेमके म्हणूनच अशा प्रकारची प्रणाली महत्त्वाची आहे: ती प्रयोगांना नाहीशी करत नाही, ती त्यांना अधिक निवडक बनवते.

उत्कृष्ट इलेक्ट्रॉनिक सामग्रीवर अवलंबून असलेल्या उदयोन्मुख तंत्रज्ञान क्षेत्रांसाठी हा अधिक टिकाऊ धडा आहे. विज्ञानातील एआयचे सर्वोच्च मूल्य संशोधकांना बदलणे किंवा व्यापक अटकळींची उत्तरे तयार करणे यात नसावे. ते लपलेला पुरावा बाहेर काढणे, तो संरचित करणे, आणि पुढे कोणते प्रयोग सर्वाधिक उपयुक्त ठरतील हे शास्त्रज्ञांना ठरवण्यास मदत करणे - या हळू, कमी झगमगाटी कामात असू शकते.

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