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.
சுரண்டலில் என்ன கண்டுபிடிக்கப்பட்டது
இந்த முறையைப் பயன்படுத்தி, குழு 8,000-க்கும் மேற்பட்ட ஆக்சைடு பொருட்களை筛னிங் செய்து, 31 இதுவரை அறியப்படாத அதிக-டையெலெக்ட்ரிக் ஆக்சைடுகளாகப் பரப்பைக் குறைத்தது. இது தேடல் வெளிக்கான குறிப்பிடத்தக்க சுருக்கம்; மேலும் materials discovery-இல் AI-யின் நடைமுறைப் பங்கை இது வெளிப்படுத்துகிறது: சோதனைகள் அல்லது first-principles calculations-ஐ முழுமையாக மாற்றுவதற்கல்ல, அடுத்ததாக அந்த விலை உயர்ந்த முயற்சிகளை எங்கே செலுத்த வேண்டும் என்பதை ஆராய்ச்சியாளர்கள் தீர்மானிக்க உதவுவதற்காக.
electronics-க்கு இது முக்கியமானது, ஏனெனில் high-dielectric பொருட்கள் மின்புலங்களை கட்டுப்படுத்த, கூறுகளில் ஆற்றலை சேமிக்க, மேலும் சாதனங்கள் அதிகமான தேவைகளை எதிர்கொள்ளும் போது தொடர்ச்சியான செயல்திறன் மேம்பாடுகளை வழங்க முக்கியமானவை. இந்த அளவில் வேட்பாளர்களை traditional computational workflows மூலம் விரைவாகக் கண்டுபிடிப்பது கடினம்.
இந்த அணுகுமுறை ஏன் தனித்து நிற்கிறது
ஆய்வின் முக்கியத்துவம் machine learning-ஐ இயற்பியல் கட்டமைப்புடன் எவ்வாறு சமநிலைப்படுத்துகிறது என்பதில் உள்ளது. model வெறும் black box ஆக, தற்செயலாக செயல்படுகிறது எனக் காண்பிக்கப்படவில்லை. அது நிலைபெற்ற இயற்பியல் அர்த்தம் கொண்ட இடைநிலை பண்புகளை கற்றுக்கொண்டு, பின்னர் அந்த துண்டுகளிலிருந்து பெரிய நடத்தையை மீளமைக்கும் ஒரு அமைப்பாக வடிவமைக்கப்பட்டுள்ளது.
அறிவியல் சூழல்களில் இது குறிப்பாக மதிப்புமிக்கதாக இருக்கலாம்; ஏனெனில் ஆராய்ச்சியாளர்கள் கணிப்பு செயல்திறனை மட்டும் அல்லாமல், trust, error analysis, மற்றும் தொடர்புடைய சிக்கல்களுக்கு portability-யையும் கவனிக்கின்றனர். விளக்கத்தக்க இயற்பியல் கூறுகளில் தளமிட்ட model-ஐ சரிபார்ப்பதும், அருகிலுள்ள materials challenges-க்கு விரிவாக்குவதும் எளிதாக இருக்கலாம்.
எலக்ட்ரானிக்ஸ் மற்றும் discovery pipelines-க்கான தாக்கங்கள்
உடனடி தாக்கம் வேகமாகும். materials scientists ஆயிரக்கணக்கான சேர்மங்களை மேலும் திறமையாக筛னிங் செய்ய முடிந்தால், கோட்பாடுக்கும் பரிசோதனைச் சரிபார்ப்புக்கும் இடையிலான பாதையை குறைக்கலாம். காலப்போக்கில், இது next-generation capacitors, transistors, memories, மற்றும் dielectric செயல்திறனை சார்ந்த பிற electronic systems-க்கு ஏற்ற பொருட்களைத் தேடும் முயற்சியை வேகப்படுத்தலாம்.
நீண்டகால தாக்கம் முறையியல் சார்ந்தது. Physics-guided AI என்பது hard-science domains-இல் machine learning-ஐ உண்மையில் பயனுள்ளதாக்குவதற்கான மிகத் தெளிவான வழிகளில் ஒன்றாக இருக்கலாம்; அங்கு தரவு குறைவாக இருக்கும், simulations விலை உயர்ந்தவை, மற்றும் extrapolation ஆபத்தானது. domain knowledge-ஐ தடையாகப் பார்க்காமல், Tohoku குழு அதை AI-யை நம்பகமாக்கும் scaffolding ஆகக் கருதுகிறது.
AI கோரிக்கையின் குறுகிய ஆனால் அதிக பயனுள்ள வடிவம்
இந்த paper ஒரு உலகளாவிய materials oracle-ஐ வாக்குறுதி அளிப்பதில்லை. அதன் வாதம் மேலும் கட்டுப்பாடானது, அதனால் மேலும் நம்பத்தகுந்ததாகவும் உள்ளது: AI-யை தெரிந்த இயற்பியல் உறவுகளுடன் இணைப்பதன் மூலம், ஆராய்ச்சியாளர்கள் materials screening-ஐ மேம்படுத்தி, கவனிக்கப்படாத வேட்பாளர்களை மேலும் திறமையாகக் கண்டறிய முடியும். இங்கே, அது 31 புதிய high-dielectric oxide leads-ஆக மாறியது.
emerging electronics research-க்கு, இதுவே முக்கியமான முன்னேற்றம். சிறந்த பொருட்கள் பொதுவாக கணிப்பு, வடிகட்டல், மற்றும் சரிபார்ப்பில் உள்ள சிறிய மேம்பாடுகளின் நீண்ட சங்கிலி வழியாகவே கிடைக்கின்றன. இந்த வேலை அந்த சங்கிலிகளில் ஒன்று இப்போது குறிப்பிடத்தக்க வகையில் வலுப்பெற்றிருக்கலாம் என்பதை காட்டுகிறது.
இந்த கட்டுரை Phys.org செய்தியை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.
Originally published on phys.org