MIT ஆய்வகங்கள் AI-யை எரிசக்தி அமைப்புகள், வானூர்தி பொருட்கள் மற்றும் அறிவியல் கண்டுபிடிப்பிற்கான ஒரு கருவியாக மாற்றுகின்றன

MIT-இல் AI ஒரு சிறப்பு துறையிலிருந்து அடித்தளத் தளத்துக்குச் செல்கிறது

MIT Technology Review வெளியிட்ட ஒரு சிறப்புக் கட்டுரையின்படி, MIT ஆய்வில் செயற்கை நுண்ணறிவு ஒரு செயல்பாட்டு அடுக்காக மாறியுள்ளது; அந்த நிறுவத்தின் ஆய்வகங்கள் இந்த தொழில்நுட்பத்தை எவ்வாறு பயன்படுத்துகின்றன என்பதை அந்த செய்தி விளக்குகிறது. அந்தக் கதை AI-யை கணினி அறிவியலில் மட்டும் அடங்கிய தனித்துறை என அல்லாமல், இயந்திர பொறியியல், வானூர்தி பொருட்கள், எரிசக்தி அமைப்புகள் மற்றும் பரிசோதனை அறிவியலில் இப்போது உட்புகுந்துள்ள ஒரு கருவியாக விவரிக்கிறது.

இந்த மாற்றம் சிலி டெங் என்பவரின் பணியில் தெளிவாகக் காணப்படுகிறது. அவர் இயந்திர பொறியியல் இணைப் பேராசிரியர்; எரிதல் இயக்கவியல், உமிழ்வு குறைப்பு, மற்றும் எரிசக்திப் பொருட்களின் தீச்சேர்க்கை (flame synthesis) ஆகியவற்றை ஆய்வு செய்கிறார். AI-யை நோக்கி டெங்கின் பயணம் covid பெருந்தொற்றின் இடையூறுகளால் உருவானது. 2019-இல் MIT பேராசிரியர் குழுவில் சேர்ந்த பிறகு, அவர் தனது ஆய்வகத்தை அமைத்துக் கொண்டிருந்த போது புதுப்பிப்பு வேலைகள் அதை நிறுத்தின. காத்திருப்பதற்குப் பதிலாக, அவர்களின் எரிதல் ஆராய்ச்சியில் எங்கு மெஷின் லெர்னிங் இடைவெளிகளை நிரப்ப முடியும் என்பதை சோதிக்க தனது குழுவினரைக் கேட்டார்.

எரிதல் அமைப்புகளுக்கான டிஜிட்டல் ட்வின்கள்

டெங்கின் Energy and Nanotechnology Group, ஒரு ஆற்றல் மற்றும் ஓட்ட சாதனத்தின் செயல்திறனை பிரதிபலிக்கும் ஒரு டிஜிட்டல் ட்வினை உருவாக்க AI-யைப் பயன்படுத்தியது. டிஜிட்டல் ட்வின் என்பது ஒரு இயற்பியல் அமைப்பின் கணினிச் சீருடை நகல்; மாறும் சூழ்நிலைகளில் அந்த அமைப்பு எப்படி நடக்கிறது என்பதை பிரதிபலிக்கும் வகையில் அது வடிவமைக்கப்படுகிறது. இங்கு, நீண்டகால இலக்கு, எரிபொருள் எரிதல் அமைப்புகளை நேரடி நேரத்தில் கணிக்கவும் கட்டுப்படுத்தவும் செய்வதாகும்.

இந்த இலக்கு முக்கியமானது, ஏனெனில் எரிதல் அமைப்புகள் ஆற்றல் மற்றும் போக்குவரத்து பொருளாதாரத்தின் பல பகுதிகளில் மையப்பங்காற்றுகின்றன. சிறந்த கணிப்பும் கட்டுப்பாடும், செயல்திறன், உமிழ்வு மற்றும் இயக்க நிலைத்தன்மையைப் புரிந்துகொள்ள ஆராய்ச்சியாளர்களுக்கு உதவலாம்; இவற்றை வெறும் உடல் சோதனைகளால் மட்டுமே பிடிப்பது கடினம். வழங்கப்பட்ட மூலப் பொருள், இந்த அமைப்பு ஏற்கனவே உற்பத்தி நிலையில் முழுமையான நேரடி-நேர கட்டுப்பாட்டை அடைந்துவிட்டது என்று கூறவில்லை. அது, இந்த மாதிரி இறுதியில் நேரடி நேரத்தில் எரிபொருள் எரிதல் அமைப்புகளின் செயல்பாட்டை கணிக்கவும் கட்டுப்படுத்தவும் முடியும் என்று கூறுகிறது.

இந்த எடுத்துக்காட்டு, AI ஆராய்ச்சி ஆய்வகங்களில் வேகமாகப் பரவியதற்கான ஒரு காரணத்தை காட்டுகிறது: அது தற்போதுள்ள அறிவியல் அறிவை மாற்றாமல், அதை விரிவாக்க முடியும். டெங்கின் குழு, இயந்திர கற்றலை எரிதலின் அடிப்படைத் தத்துவங்களின் கோணத்தில் அணுகி, தற்போதைய முறைகளில் எங்கு இடைவெளிகள் உள்ளன என்பதை கேட்டது. இது AI-யை பொது நோக்க shortcut ஆகக் கருதுவதிலிருந்து வேறுபட்ட அணுகுமுறை. இது பயனுள்ள கேள்விகளை வரையறுக்கவும், மாதிரி வெளியீடு பொருத்தமா என்பதை மதிப்பிடவும் துறையறிவைப் பயன்படுத்துகிறது.

AI உதவியுடன் வானூர்தி பொருட்கள் வடிவமைப்பு

இந்தக் கட்டுரை, வானூர்தி மற்றும் விண்வெளி பொறியியல் இணைப் பேராசிரியரான ஜாகரி கோர்டெரோவின் பணியையும் விவரிக்கிறது; அவர் உருவெடுக்கும் வானூர்தி பயன்பாடுகளுக்கான புதிய பொருட்கள் மற்றும் கட்டமைப்புகளை உருவாக்குகிறார். பொறியியல் வடிவமைப்பிற்கான மெஷின் லெர்னிங் மற்றும் மேம்படுத்தலில் நிபுணத்துவம் பெற்ற இயந்திர பொறியியல் இணைப் பேராசிரியர் ஃபேஸ் அகமது அவர்களுடன் தொடர்பு ஏற்பட்ட பிறகு, கோர்டெரோ AI-யைப் பயன்படுத்தத் தொடங்கினார்.

அகமது மற்றும் பிற கூட்டாளர்களுடன், U.S. Defense Advanced Research Projects Agency ஆதரித்த ஒரு திட்டத்தில் பணிபுரிந்தபோது, கோர்டெரோ ஒரு blisk-இன் பொருள் கலவையை மேம்படுத்த ஒரு AI கருவியை உருவாக்கினார். blisk, அல்லது bladed disk, என்பது ஜெட் மற்றும் ராக்கெட் டர்பைன் என்ஜின்களில் ஒரு முக்கிய கூறாகும். இந்தப் பணியின் நோக்கம் என்ஜின் செயல்திறனையும் நீடித்த தன்மையையும் மேம்படுத்துவதாகும்; மேலும் இது கனரக ஏவுகணை வாகனங்களுக்கான அதிக நம்பகத்தன்மை கொண்ட மீண்டும் பயன்படுத்தக்கூடிய ராக்கெட் என்ஜின்களுக்கு பங்களிக்கலாம்.

மூலப் பொருளில் கோர்டெரோ கூறியது கவனிக்கத்தக்கது: நுண்ணறிவு கிட்டத்தட்ட சாத்தியமற்ற பிரச்சினைகளில் AI அமைப்பு மனித உள்ளுணர்வை மேம்படுத்தியது என்று அவர் கூறினார். உயர் செயல்திறன் கொண்ட வானூர்தி அமைப்புகளுக்கான பொருட்கள் வடிவமைப்பு, கலவை, அமைப்பு, நீடித்த தன்மை மற்றும் செயல்பாட்டு சூழ்நிலைகள் உள்ளிட்ட பல பரஸ்பர சார்ந்த மாறிகளை உள்ளடக்கியது. AI மேம்படுத்தல், மனிதர்களுக்கு கைமுறையாக ஆராய கடினமான சிக்கலான வடிவமைப்பு வெளிகளை தேட முடியும்.

ஆராய்ச்சி நடைமுறையில் ஒரு பரந்த மாற்றம்

MIT எடுத்துக்காட்டுகள் AI-யின் மிக உடனடி அறிவியல் தாக்கம் நிறுவப்பட்ட துறைகளில் அதன் ஒருங்கிணைப்பில் இருந்து வரலாம் என்பதை காட்டுகின்றன. எரிதல் ஆராய்ச்சியில், அது இயக்கமுள்ள அமைப்புகளை மாதிரியாக்கவும், இறுதியில் அவற்றைக் கட்டுப்படுத்தவும் உதவும். வானூர்தி பொருட்களில், அது கடுமையான சூழ்நிலைகளைத் தாங்க வேண்டிய கூறுகளை மேம்படுத்த உதவும். ஆய்வகங்களெங்கும், அது முறைகளை வேகப்படுத்தி, கண்டுபிடிப்புக்கான புதிய பாதைகளைத் திறக்க முடியும்.

மூலப் பொருளில் பேராசிரியர் ஜூ லி-யும் மேற்கோளிடப்படுகிறார். AI-க்கு சோதனைகள் நடத்த, பலவித முயற்சிகளைச் செய்ய, தோல்வியடைய, மற்றும் அந்தச் செயல்முறையிலிருந்து கற்றுக்கொள்ள சுயாட்சியம் அளிக்கப்பட்டால், அது மனித நுண்ணறிவைப் போன்ற ஒன்றாக வளர முடியும் என்று அவர் வாதிடுகிறார். இந்த யோசனை, தற்போதைய மாதிரியாக்கம் மற்றும் மேம்படுத்தலுக்கு அப்பால் தன்னாட்சியுள்ள ஆராய்ச்சி அமைப்புகளை நோக்கி சுட்டிக்காட்டுகிறது. வழங்கப்பட்ட உரை, அத்தகைய அமைப்புகள் ஏற்கனவே அந்த அளவிலான சுயாட்சியை அடைந்துவிட்டன என்று கூறவில்லை; அது அந்த கருத்தை ஒரு சாத்தியமாக முன்வைக்கிறது.

நடைமுறைப் பாடம் இதைவிட உடனடியானது. MIT ஆராய்ச்சியாளர்கள் ஒற்றை, உலகளாவிய AI முன்னேற்றத்தைக் காத்திருக்கவில்லை. தரவு, ஒத்திகை மற்றும் மேம்படுத்தல் பணியின் வேகத்தை மாற்றக்கூடிய குறிப்பிட்ட அறிவியல் மற்றும் பொறியியல் பிரச்சினைகளில் அவர்கள் மெஷின் லெர்னிங்கைப் பயன்படுத்துகின்றனர். இதன் விளைவாக, AI பரிசோதனைக் கருவித்தொகுப்பின் ஒரு பகுதியாக மாறும் ஒரு ஆராய்ச்சி சூழல் உருவாகிறது.

இதனால் மனித நிபுணத்துவத்தின் தேவை நீங்கிவிடவில்லை. மூலப் பொருளில் உள்ள எடுத்துக்காட்டுகள் அதற்கு மாறானதை காட்டுகின்றன. ஆராய்ச்சியாளர்களே இன்னும் அமைப்புகளை வரையறுக்கிறார்கள், இயற்பியல் கட்டுப்பாடுகளைப் புரிந்துகொள்கிறார்கள், மற்றும் எந்த முடிவுகள் முக்கியம் என்பதை மதிப்பிடுகிறார்கள். AI தேடல் வெளிக்கும் மாதிரியாக்கத் திறனையும் விரிவாக்குகிறது, ஆனால் அறிவியல் கேள்விகள் துறையறிவில் அடிப்படையிலேயே இருக்கின்றன.

இந்தக் கட்டுரை MIT Technology Review வெளியிட்ட செய்தியை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.