பொருட்கள் தேடல் சிக்கலை இயற்பியல்-அறிந்த AI அணுகுமுறை சந்திக்கிறது
Tohoku University-இல் உள்ள ஆய்வாளர்கள், டையெலெக்ட்ரிக் செயல்திறனுக்காக ஆயிரக்கணக்கான பொருட்களை விரைவாக筛னிங் செய்யக்கூடிய ஒரு AI முறையை உருவாக்கியுள்ளதாகவும், அதே நேரத்தில் வழக்கமான கணிப்பு அணுகுமுறைகளை விட அதிக துல்லியத்தையும் வழங்குவதாகவும் கூறுகின்றனர். Physical Review X இதழில் வெளியான ஆய்வில், 8,000-க்கும் மேற்பட்ட வேட்பாளர்களைக் கொண்ட筛னிங் ஓட்டத்தில் இருந்து 31 இதுவரை அறியப்படாத அதிக-டையெலெக்ட்ரிக் ஆக்சைடு பொருட்களை இந்த முறை கண்டறிய உதவியதாகக் குழு தெரிவிக்கிறது.
இந்த முன்னேற்றம் materials science-இல் நீடித்த ஒரு bottleneck-ஐ சமாளிக்கிறது. ஒரு பொருள் மின்புலங்களுக்கு எப்படி பதிலளிக்கும் என்பதை கணிப்பது கணக்கீட்டளவில் கடினமானது, ஆனால் அந்த பதில்தான் நவீன electronics-க்கு மையமானது. smart phones மற்றும் computers போன்ற சாதனங்களில் டையெலெக்ட்ரிக் பொருட்கள் பரவலாகப் பயன்படுத்தப்படுகின்றன; எனவே நம்பிக்கைக்குரிய வேட்பாளர்களைக் கண்டறிய சிறந்த கருவிகள் பெரிய நடைமுறை மதிப்பைக் கொண்டிருக்க முடியும்.
நேரடி கணிப்பு ஏன் கடினம்
சிக்கலான பொருள் பண்புகளை ஒரு தனி output ஆகக் கருதும்போது, AI systems அவற்றை நம்பகமாக கணிப்பது பெரும்பாலும் கடினமாகிறது. Tohoku குழுவின் தீர்வு அந்த நேரடி shortcut-ஐத் தவிர்ப்பதாக இருந்தது. dielectric constant-ஐ நேரடியாக ஊகிக்க model-ஐ கேட்பதற்குப் பதிலாக, இறுதி பண்புக்கு பங்களிக்கும் மேலும் அடிப்படை இயற்பியல் அளவுகளின் சுற்றில் ஆராய்ச்சியாளர்கள் சிக்கலை வடிவமைத்தனர்.
மூல உரையில் விவரிக்கப்பட்ட அமைப்பில், model Born effective charges-ஐ தனியாக கணிக்கிறது; அவை அணுக்கள் மின்புலங்களுக்கு எப்படி பதிலளிக்கின்றன என்பதைக் காட்டுகின்றன, மேலும் phonon properties-ஐயும் கணிக்கிறது; அவை ஒரு பொருளில் ஏற்படும் அணுக்கூறு அதிர்வுகளைப் பிடிக்கின்றன. பின்னர் அந்த கூறுகள் ஒரு physical formula மூலம் ஒன்றிணைக்கப்பட்டு ionic dielectric tensor மீளமைக்கப்படுகிறது.
இந்த வடிவமைப்பே கட்டுரையின் வாதத்தின் மையம். இயற்பியலை workflow-இல் உட்பொதிப்பதால், crystal structure-இல் இருந்து இறுதி dielectric நடத்தை வரை நேரடியாக பாய முயலும் முறைகளைவிட AI அதிக வேகமாகவும் அதிக நம்பகத்தன்மையுடனும் இருப்பதாக ஆராய்ச்சியாளர்கள் வாதிடுகின்றனர்.
