మెటీరియల్స్ సైన్స్‌కూ ఇప్పుడు తన స్వంత స్వయంచాలక ల్యాబ్ మోడల్ వచ్చింది

మిడ్‌టౌన్ మ్యాన్‌హాటన్‌లోని ఒక ల్యాబ్‌లో, రోబోటిక్ వ్యవస్థ మూలకాలను కలుపుతూ, అలాయ్‌లను కరిగిస్తూ, నిర్మాణాన్ని విశ్లేషిస్తూ, చాలా తక్కువ మానవ జోక్యంతో పనితీరును పరీక్షిస్తోంది. ఇక్కడ లక్ష్యం సాధారణ ఆటోమేషన్ కాదు. AI కొత్త మెటీరియల్స్‌ను ప్రతిపాదించి, వాటిని అంచనా వేయడానికి అవసరమైన ప్రయోగాలను నడిపి, ఫలితాల నుంచి నేర్చుకుని, ఈ చక్రాన్ని సంప్రదాయ మెటీరియల్స్ పరిశోధన అరుదుగా చేరే వేగంతో పునరావృతం చేయడం.

ఈ ల్యాబ్ Radical AI అనే స్టార్టప్‌కు చెందినది. దీని విధానం, ఎక్కువకాలం నిలిచే జెట్ ఇంజిన్ల నుంచి ఫ్యూజన్ ఎనర్జీ వ్యవస్థల వరకూ అనువర్తనాలకు కొత్త పారిశ్రామిక మెటీరియల్స్‌కు వెళ్లే దారిని చిన్నదిగా చేయగలదని కంపెనీ అంటోంది. AI కేవలం ఇప్పటికే తెలిసిన ఫార్ములాలను వడపోయడం మాత్రమే కాదు. అది పూర్తి డిస్కవరీ లూప్‌ను నడపడంలో సహాయపడగలదని కంపెనీ వాదిస్తోంది.

మెటీరియల్స్ డిస్కవరీ ఎందుకు ఇంత కఠినమైన లక్ష్యం

కొత్త మెటీరియల్‌ను అభివృద్ధి చేయడం చాలా మందగమైన ప్రక్రియ. శాస్త్రవేత్తలు ఊహలను రూపొందించి, ఒక అభ్యర్థిని తయారు చేసి, దాని లక్షణాలను విశ్లేషించి, పరీక్షించి, ఆ తరువాత ఏం జరిగిందో దాని ఆధారంగా ఊహను సవరిస్తారు. Fast Company ప్రకారం, ఆ చక్రం 20 సంవత్సరాలు లేదా అంతకంటే ఎక్కువ పట్టవచ్చు. కొత్త మెటీరియల్స్ అవసరం పెరుగుతూనే ఉండగా, ప్రపంచం కొరతలు, పనితీరు పరిమితులు, మరియు తవ్వకం, తయారీపై ఉన్న పర్యావరణ భారాన్ని ఎదుర్కొంటోంది కాబట్టి ఈ ఆలస్యం ముఖ్యమైనది.

అంటే, మెటీరియల్స్ సైన్స్‌లో విలువైన సమస్యలు చాలా ఉన్నాయి, కానీ ప్రయోగాల వేగం పరిమితం. అందుకే పెద్ద డిజైన్ స్థలాలను శోధించగల AI వ్యవస్థలు, మరియు మానవ పని గంటల కోసం ఎదురు చూడకుండా అనేక పునరావృత పరీక్షలను చేయగల రోబోటిక్స్‌కు ఇది సహజమైన సరిపోలిక.

The Artemis III crew poses for an official portrait (from left: Andre Douglas, Luca Parmitano, Randy Bresnik, Frank Rubio). (via nasa.gov)
More in Innovation

చంద్రుడికి ముందు కక్ష్యా వ్యవస్థల పరీక్ష కోసం NASA Artemis III సిబ్బందిని ప్రకటించింది

2028లో ప్రణాళిక చేసిన చంద్ర ఉపరితలానికి తిరిగి వెళ్లే ప్రయాణానికి ముందు, భూమి కక్ష్యలో వాణిజ్య చంద్ర ల్యాండర్లతో docking మరియు interoperabilityని పరీక్షించేందుకు రూపొందించిన మిషన్ కోసం NASA Artemis III సిబ్బందిని పరిచయం చేసింది.

Read article

తన వ్యవస్థ ఎలా పనిచేస్తుందని Radical AI చెబుతోంది

మూల పాఠ్యం ప్రకారం, కంపెనీ AI వ్యవస్థ ఐదు సెకన్లలో 10,000 శాస్త్రీయ పత్రాలను సమీక్షించగలదు. బృందం ఒక సమస్యపై పని ప్రారంభించినప్పుడు, అవసరమైన మెటీరియల్ లక్షణాల సముదాయాన్ని వ్యవస్థకు ఇస్తుంది. ఆపై AI 380,000 పత్రాలు మరియు ల్యాబ్‌ నుంచి వచ్చిన 57 మిలియన్ డేటా పాయింట్లను ఉపయోగిస్తుంది, వాటిలో సాధారణంగా ప్రచురిత సాహిత్యంలో కనిపించని విఫల ప్రయోగాలు కూడా ఉంటాయి.

ఆ చివరి విషయం ముఖ్యమైనది. శాస్త్రంలో, విఫలాలు తరచూ శోధన స్థలాన్ని పరిమితం చేయడంలో సహాయపడే సమాచారాన్ని కలిగి ఉంటాయి, కానీ అవి అంతర్గత నోటుబుక్స్ వెలుపల అరుదుగా కనిపిస్తాయి. Radical వ్యవస్థ వాటిని తన వర్కింగ్ మెమరీలో భాగంగా ఉపయోగించి, ఆపై పరీక్షించడానికి డజను నుంచి కొన్ని వందల వరకు అభ్యర్థి మెటీరియల్స్‌ను ప్రతిపాదిస్తుంది.

ఒక ప్రిడిక్షన్ ఇంజిన్ మాత్రమే కాదు, స్వీయ-నడిచే ల్యాబ్

ఈ ల్యాబ్ సాధారణ మెటీరియల్స్ సైన్స్ పరికరాల చుట్టూ నిర్మించబడింది, కానీ వర్క్‌ఫ్లో ఎంతో ఆటోమేటెడ్‌గా ఉంది. Fast Company ప్రకారం, ఈ వ్యవస్థ రోజుకు 50 ప్రయోగాల వరకు నడపగలదు మరియు వేసవి ముగిసేలోగా రోజుకు 100 ప్రయోగాల లక్ష్యాన్ని పెట్టుకుంది. CEO Joseph Krause, సంవత్సరంలో 50 ప్రయోగాలు మాత్రమే చేయగల మానవ మెటీరియల్స్ శాస్త్రవేత్తతో దీనిని పోలుస్తాడు.

దీని అర్థం మనుషులు ప్రక్రియ నుంచి పూర్తిగా మాయమవుతారు అన్నది కాదు. అంటే మానవ పరిశోధకులు లక్ష్యాలను నిర్వచించడం, అవుట్‌పుట్‌లను అంచనా వేయడం, ఏ దిశలు ముఖ్యమో నిర్ణయించడం వైపు మళ్లుతారు. Radical చెప్పే విషయం ఏమిటంటే, ఒక శాస్త్రవేత్త అనేక సమస్యలపై దృష్టి పెట్టగలడు, ఎందుకంటే ఈ వ్యవస్థ సాహిత్య సమీక్ష, ఊహల సృష్టి, మరియు ప్రయోగాల అమలు అనే భారాన్ని చాలా వరకు తీసుకుంటుంది.

UK orders Google to change AI search rules, allowing publishers to opt out of AI summaries - The Tech Portal (via thetechportal.com)
More in Innovation

AI శోధనపై UK ఒత్తిడి పబ్లిషర్లకు కొత్త దౌత్య బలం ఇస్తోంది

Fast Companyలో వివరించిన UK పోటీ నిర్ణయం ప్రకారం, సాధారణ శోధన దృశ్యమానతను కోల్పోకుండా AI Overviews నుండి తప్పుకునే అవకాశం Google పబ్లిషర్లకు ఇవ్వాలి; దీని వల్ల AI-కంటెంట్ వివాదంలో స్పష్టమైన కొత్త చర్చా పాయింట్ ఏర్పడుతుంది.

Read article

ఇది ఏమి మార్చగలదు

ఈ మోడల్ నిలకడగా పనిచేస్తే, పారిశ్రామిక R&Dలో అత్యంత కఠినమైన పరిమితుల్లో ఒకదాన్ని మార్చగలదు: కోరుకున్న లక్షణాల ప్రొఫైల్ నుంచి ఉపయోగపడే కొత్త మెటీరియల్‌కి చేరడానికి అవసరమైన సమయం. వేగవంతమైన డిస్కవరీ వాణిజ్యీకరణను హామీ ఇవ్వదు, కానీ పరిశోధకులు మరిన్ని ఆలోచనలను పరీక్షించి, చెడ్డవాటిని త్వరగా తొలగించగలిగితే, పైప్‌లైన్‌ను గణనీయంగా విస్తరించగలదు.

గత సంవత్సరం కంపెనీ seed రౌండ్‌లో $55 మిలియన్ సేకరించింది. ఇది సైన్స్‌ను కేవలం సారాంశంగా చెప్పడమే కాకుండా, భౌతిక హార్డ్‌వేర్‌తో మరింత కట్టుదిట్టమైన లూప్‌లో దాన్ని చేయగల AI వ్యవస్థలపై పెట్టుబడిదారుల దృష్టి ఎంతగా ఉందో చూపిస్తుంది. ఇది సాఫ్ట్‌వేర్ బెంచ్‌మార్క్‌ కంటే ధృవీకరించడానికి కష్టం. కానీ AI నిజమైన ప్రపంచంలో పరిశోధనను మార్చబోతే, ముఖ్యమైన వాదన కూడా ఇదే.

ఈ ల్యాబ్ ప్రత్యేకంగా కనిపించడానికి కారణం

  • ఈ వ్యవస్థ AI ఊహల సృష్టి మరియు ఆటోమేటెడ్ ప్రయోగ వర్క్‌ఫ్లోను కలిపి పనిచేస్తుంది.
  • ఇది ప్రచురిత సాహిత్యంతో పాటు, కోట్లాది అంతర్గత ల్యాబ్ డేటా పాయింట్లపై ఆధారపడుతుంది.
  • ల్యాబ్ ఇప్పటికే రోజుకు 50 ప్రయోగాలు చేయగలదని, లక్ష్యం 100 అని కంపెనీ చెబుతోంది.

అనేక సంవత్సరాలుగా, శాస్త్రంలో AI పాత్రను తరచుగా సారాంశాత్మక పదాల్లోనే వివరించారు. Radical AI మరింత స్పష్టమైన వాదన చేస్తోంది: డిస్కవరీ భవిష్యత్తు చదవగల, తర్కించగల, ఆపై తమ స్వంత ఆలోచనలను పారిశ్రామిక వేగంతో భౌతికంగా పరీక్షించగల యంత్రాలపై ఆధారపడవచ్చు.

ఈ కథనం Fast Company రిపోర్టింగ్‌పై ఆధారపడింది. మూల కథనాన్ని చదవండి.

Originally published on fastcompany.com