MIT ల్యాబ్‌లు AIని శక్తి వ్యవస్థలు, ఏరోస్పేస్ పదార్థాలు మరియు శాస్త్రీయ ఆవిష్కరణల కోసం ఒక సాధనంగా మారుస్తున్నాయి

MITలో AI ప్రత్యేకత నుంచి మౌలిక సదుపాయంగా మారుతోంది

MIT Technology Review ఫీచర్ ప్రకారం, MIT పరిశోధనలో కృత్రిమ మేధస్సు ఒక పని చేసే పొరగా మారింది; సంస్థ ల్యాబ్‌లు ఈ సాంకేతికతను ఎలా అమలు చేస్తున్నాయో ఆ కథనం వివరిస్తుంది. ఆ కథ AIని కంప్యూటర్ సైన్స్‌కు మాత్రమే పరిమితమైన వేరు శాస్త్రశాఖగా కాకుండా, యాంత్రిక ఇంజనీరింగ్, ఏరోస్పేస్ పదార్థాలు, శక్తి వ్యవస్థలు మరియు ప్రయోగాత్మక విజ్ఞానంలో ఇప్పుడు అంతర్భాగంగా ఉన్న సాధనంగా చూపిస్తుంది.

ఈ మార్పు సిలి డెంగ్ పనిలో స్పష్టంగా కనిపిస్తుంది. ఆమె మెకానికల్ ఇంజనీరింగ్ అసోసియేట్ ప్రొఫెసర్; దహన గతి, ఉద్గారాల తగ్గింపు, మరియు శక్తి పదార్థాల ఫ్లేమ్ సింథసిస్‌ను అధ్యయనం చేస్తారు. AI వైపు డెంగ్ ప్రయాణాన్ని covid మహమ్మారి కలిగించిన అంతరాయం ఆకారమిచ్చింది. 2019లో MIT ఫ్యాకల్టీలో చేరిన తర్వాత, ఆమె ల్యాబ్‌ను ఏర్పాటు చేస్తున్నప్పుడు పునర్నిర్మాణ పనులు ఆగిపోయాయి. వేచి ఉండకుండా, ఆమె బృందాన్ని వారి దహన పరిశోధనలో ఎక్కడ machine learning ఖాళీలను పూరించగలదో పరీక్షించమని కోరింది.

దహన వ్యవస్థల కోసం డిజిటల్ ట్విన్లు

డెంగ్ యొక్క Energy and Nanotechnology Group, ఒక శక్తి మరియు ప్రవాహ పరికరం పనితీరును ప్రతిబింబించే డిజిటల్ ట్విన్‌ను అభివృద్ధి చేయడానికి AIని ఉపయోగించింది. డిజిటల్ ట్విన్ అనేది భౌతిక వ్యవస్థ యొక్క గణనాత్మక ప్రతిరూపం; మారుతున్న పరిస్థితుల్లో ఆ వ్యవస్థ ఎలా ప్రవర్తిస్తుందో ప్రతిబింబించేలా దీన్ని రూపొందిస్తారు. ఈ సందర్భంలో, దీర్ఘకాల లక్ష్యం ఇంధన దహన వ్యవస్థలను నిజ సమయంలో అంచనా వేయడం మరియు నియంత్రించడం.

ఈ లక్ష్యం ముఖ్యమైనది, ఎందుకంటే దహన వ్యవస్థలు శక్తి మరియు రవాణా ఆర్థిక వ్యవస్థలో అనేక భాగాలకు కేంద్రంగా ఉంటాయి. మెరుగైన అంచనా మరియు నియంత్రణ, పనితీరు, ఉద్గారాలు మరియు ఆపరేషనల్ స్థిరత్వాన్ని శారీరక పరీక్షలతో మాత్రమే పట్టుకోవడం కష్టమైన మార్గాల్లో అర్థం చేసుకోవడానికి పరిశోధకులకు సహాయపడతాయి. మూల పదార్థం ఈ వ్యవస్థ ఇప్పటికే ఉత్పత్తిలో పూర్తి నిజ-సమయ నియంత్రణను సాధించిందని చెప్పదు. ఇది, మోడల్ చివరికి నిజ సమయంలో ఇంధన దహన వ్యవస్థల పని తీరును అంచనా వేసి నియంత్రించగలగాలని చెబుతుంది.

ఈ ఉదాహరణ AI పరిశోధనా ల్యాబ్‌లలో ఎందుకు వేగంగా విస్తరించిందో ఒక కారణాన్ని చూపుతుంది: అది ఇప్పటికే ఉన్న శాస్త్రీయ జ్ఞానాన్ని భర్తీ చేయకుండా విస్తరించగలదు. డెంగ్ బృందం machine learningను దహన మౌలిక సూత్రాల దృక్కోణంలో చూసింది, ఉన్న పద్ధతుల్లో ఎక్కడ ఖాళీలు ఉన్నాయో అడిగింది. ఇది AIని సాధారణ ప్రయోజనాల shortcut‌గా చూడడంకన్నా భిన్నం. ఉపయోగకరమైన ప్రశ్నలను నిర్వచించడానికి, మరియు model output అర్థవంతంగా ఉందో లేదో అంచనా వేయడానికి ఇది domain expertise‌ను ఉపయోగిస్తుంది.

AI సహాయంతో ఏరోస్పేస్ పదార్థాల రూపకల్పన

ఈ ఫీచర్ జకరీ కోర్డెరో పనిని కూడా వివరిస్తుంది. ఆయన ఏరోనాటిక్స్ మరియు ఆస్ట్రోనాటిక్స్ అసోసియేట్ ప్రొఫెసర్, ఉద్భవిస్తున్న ఏరోస్పేస్ అనువర్తనాల కోసం కొత్త పదార్థాలు మరియు నిర్మాణాలను అభివృద్ధి చేస్తారు. ఇంజనీరింగ్ డిజైన్ కోసం machine learning మరియు optimizationలో నిపుణుడైన మెకానికల్ ఇంజనీరింగ్ అసోసియేట్ ప్రొఫెసర్ ఫాయేజ్ అహ్మద్‌తో అనుసంధానం అయిన తర్వాత కోర్డెరో AIని ఉపయోగించడం ప్రారంభించారు.

అహ్మద్ మరియు ఇతర సహకారులతో కలిసి, U.S. Defense Advanced Research Projects Agency ప్రాయోజిత ప్రాజెక్టులో పని చేస్తూ, కోర్డెరో blisk యొక్క పదార్థ నిర్మాణాన్ని మెరుగుపరచడానికి ఒక AI సాధనాన్ని అభివృద్ధి చేశారు. blisk, లేదా bladed disk, జెట్ మరియు రాకెట్ టర్బైన్ ఇంజిన్లలో కీలక భాగం. ఈ పని ఇంజిన్ పనితీరు మరియు దీర్ఘాయుష్షును మెరుగుపరచడమే లక్ష్యంగా ఉంది, అలాగే భారీ ప్రయోగ వాహనాల కోసం మరింత నమ్మదగిన పునర్వినియోగ రాకెట్ ఇంజిన్లకు దోహదపడవచ్చు.

మూల పదార్థంలో కోర్డెరో వ్యాఖ్య వెలుగులోకి తేవబడింది: ఊహించడం దాదాపు అసాధ్యమైన సమస్యలపై AI వ్యవస్థ మానవ అంతర్దృష్టిని పెంచిందని ఆయన అన్నారు. అధిక పనితీరు గల ఏరోస్పేస్ వ్యవస్థల కోసం పదార్థాల రూపకల్పనలో కూర్పు, నిర్మాణం, నిలకడ మరియు ఆపరేటింగ్ పరిస్థితులు సహా అనేక పరస్పర ప్రభావిత మార్పులు ఉంటాయి. AI optimization మానవులు చేతితో అన్వేషించడానికి కష్టమైన సంక్లిష్ట రూపకల్పన పరిధులను శోధించగలదు.

పరిశోధనా విధానంలో విస్తృత మార్పు

MIT ఉదాహరణలు AI యొక్క అత్యంత తక్షణ శాస్త్రీయ ప్రభావం స్థిరపడిన రంగాలలో దాని సమన్వయం ద్వారా రావచ్చని సూచిస్తున్నాయి. దహన పరిశోధనలో, అది డైనమిక్ వ్యవస్థలను మోడల్ చేయగలదు మరియు చివరికి వాటిని నియంత్రించడంలో సహాయపడగలదు. ఏరోస్పేస్ పదార్థాల్లో, తీవ్ర పరిస్థితులను తట్టుకోవాల్సిన భాగాలను మెరుగుపరచడంలో సహాయపడగలదు. ల్యాబ్‌ల అంతటా, ఇది పద్ధతులను వేగవంతం చేసి, ఆవిష్కరణకు కొత్త మార్గాలను తెరవగలదు.

మూల పదార్థంలో ప్రొఫెసర్ జూ లీని కూడా ఉదహరించారు. AIకి ప్రయోగాలు చేయడానికి, వేర్వేరు విషయాలు ప్రయత్నించడానికి, విఫలమవడానికి మరియు ఆ ప్రక్రియ నుంచి నేర్చుకోవడానికి స్వాతంత్య్రం ఇవ్వబడితే, అది మానవ మేధస్సు లాంటి దేనికైనా అభివృద్ధి చెందవచ్చని ఆయన వాదిస్తున్నారు. ఈ ఆలోచన ప్రస్తుత మోడలింగ్ మరియు optimizationకన్నా ముందుకు వెళ్లి స్వయంచాలక పరిశోధనా వ్యవస్థలను సూచిస్తుంది. ఇచ్చిన పాఠ్యం అలాంటి వ్యవస్థలు ఇప్పటికే ఆ స్థాయి స్వయంప్రతిపత్తిని సాధించాయని చెప్పదు; అది ఆ భావనను ఒక అవకాశం గా మాత్రమే చూపిస్తుంది.

ప్రయోగాత్మక పాఠం మరింత తక్షణమైనది. MIT పరిశోధకులు ఒకే, సార్వత్రిక AI పురోగతిని వేచి చూడడం లేదు. డేటా, సిమ్యులేషన్ మరియు optimization పని వేగాన్ని మార్చగల నిర్దిష్ట శాస్త్రీయ, ఇంజనీరింగ్ సమస్యలకు వారు machine learningని వర్తిస్తున్నారు. ఫలితంగా, AI ప్రయోగాత్మక టూల్‌కిట్‌లో భాగమవుతున్న పరిశోధనా వాతావరణం ఏర్పడుతోంది.

దీనివల్ల మానవ నైపుణ్యం అవసరం తగ్గదు. మూల పదార్థంలోని ఉదాహరణలు దీనికి విరుద్ధంగా చూపిస్తున్నాయి. పరిశోధకులు ఇంకా వ్యవస్థలను నిర్వచిస్తారు, భౌతిక పరిమితులను అర్థం చేసుకుంటారు, మరియు ఏ ఫలితాలు ముఖ్యమో నిర్ణయిస్తారు. AI అన్వేషణ స్థలాన్ని మరియు మోడలింగ్ సామర్థ్యాన్ని విస్తరిస్తుంది, కానీ శాస్త్రీయ ప్రశ్నలు domain knowledgeలోనే ఉంటాయి.

ఈ వ్యాసం MIT Technology Review నివేదిక ఆధారంగా రూపొందింది. మూల వ్యాసాన్ని చదవండి.