ఏఐ పరిశోధనా పత్రాలను విశ్లేషించి వేడి-నిరోధక సీసా-రహిత డైఎలెక్ట్రిక్స్‌ను గుర్తిస్తోంది

చెల్లాచెదురుగా ఉన్న పదార్థాల సాహిత్యాన్ని ఏఐ ఒక ఆవిష్కరణ యంత్రంగా మారుస్తోంది

సియోల్ నేషనల్ యూనివర్సిటీ పరిశోధకుల ప్రకారం, వందలాది శాస్త్రీయ పత్రాల్లో చెల్లాచెదురుగా ఉన్న డేటాను కృత్రిమ మేధస్సు ద్వారా తీసుకుని, క్రమబద్ధీకరించి, ఆ సమాచారాన్ని భౌతిక-ఆధారిత మెషిన్ లెర్నింగ్‌తో కలిపి ప్రయోగాత్మక ధృవీకరణకు తగిన ఆశాజనక సమ్మేళనాలను గుర్తించడం ద్వారా సీసా-రహిత డైఎలెక్ట్రిక్ పదార్థాల అన్వేషణను వేగవంతం చేసే మార్గాన్ని వారు అభివృద్ధి చేశారు.

ఈ పని పదార్థ శాస్త్రంలో ఒక సుపరిచిత సమస్యను ఎదుర్కొంటోంది: మెరుగైన పదార్థాలను రూపకల్పన చేయడానికి అవసరమైన సాక్ష్యాలు తరచుగా ఉన్నప్పటికీ, అవి పెద్ద సాహిత్య సమూహంలో ఉన్న పాఠ్యాలు, పట్టికలు, చార్టుల్లో చెల్లాచెదురుగా ఉంటాయి. అందువల్ల సంప్రదాయ ఆవిష్కరణ నెమ్మదిగా, శ్రమతో కూడుకున్నదిగా మారుతుంది, ముఖ్యంగా ఒకేసారి అనేక లక్షణాలను సమతుల్యం చేయాల్సిన రంగాల్లో.

ఈ సందర్భంలో లక్ష్యం అధిక ఉష్ణోగ్రతల్లో స్థిర పనితీరును నిలుపుకునే సీసా-రహిత డైఎలెక్ట్రిక్స్. డైఎలెక్ట్రిక్స్ విద్యుత్ ఛార్జ్‌ను నిల్వ చేస్తూనే నేరుగా విద్యుత్ ప్రవాహాన్ని అడ్డుకుంటాయి కాబట్టి అవి స్మార్ట్‌ఫోన్లు, ఎలక్ట్రిక్ వాహనాలు, మరియు విస్తృత శ్రేణి ఎలక్ట్రానిక్స్‌లో ఉపయోగించే మల్టీలేయర్ సిరామిక్ కాపాసిటర్లకు కీలకం.

ఈ పదార్థాలు ఎందుకు ముఖ్యం

డైఎలెక్ట్రిక్ పదార్థాలు ఆధునిక ఎలక్ట్రానిక్స్‌లో ప్రాథమిక భాగాలు. ఎక్కువ డైఎలెక్ట్రిక్ స్థిరాంకం ఉన్న భాగం అదే పరిమాణంలో ఎక్కువ విద్యుత్ శక్తిని నిల్వ చేయగలదు, ఇది చిన్న పరికరాల్లో విలువైనది. కానీ సామర్థ్యం మాత్రమే సరిపోదు. వాస్తవ వినియోగంలో, ఆ పదార్థం పని సమయంలో ఎదురయ్యే ఉష్ణోగ్రతల పరిధి అంతటా కూడా స్థిరంగా ఉండాలి.

ఆ అవసరం కఠినమైన రూపకల్పన సవాలును సృష్టిస్తుంది. ఒక పదార్థం ఒక పనితీరు ప్రమాణంలో ఆకర్షణీయంగా కనిపించినా, మరోదానిలో విఫలమవవచ్చు, కాబట్టి పరిశోధకులు చారిత్రకంగా పునరావృత ప్రయోగాలు మరియు నిపుణుల అంతర్దృష్టిపై ఆధారపడాల్సి వచ్చింది. సియోల్ నేషనల్ యూనివర్సిటీ బృందం చెప్పినదాని ప్రకారం, వారి విధానం ఈ శోధనను పరిమితమైన స్పష్టమైన అభ్యర్థుల జాబితా నుండి కాకుండా లక్ష్య పనితీరు ప్రొఫైల్‌తో ప్రారంభించేందుకు ఉద్దేశించబడింది.

ఈ అధ్యయనం ఇన్వర్స్-డిజైన్ విధానాన్ని వివరిస్తుంది. ఒక సంయోజనంతో ప్రారంభించి అది లక్ష్యాన్ని చేరుతుందా లేదా అని కొలవడం బదులు, వ్యవస్థ ముందుగా అవసరమైన లక్షణాలను తీర్చే అధిక సంభావ్యత ఉన్న సంయోజనాలను గుర్తిస్తుంది. దీంతో ప్రయోగశాల పాత్ర అంధ అన్వేషణ నుండి కేంద్రీకృత ధృవీకరణకు మారుతుంది.

వ్యవస్థ ఎలా నిర్మించారు

పరిశోధకులు మల్టీమోడల్ సాహిత్య-ఖననాన్ని భౌతిక-ఆధారిత మెషిన్ లెర్నింగ్‌తో కలిపారు. సాహిత్య-ఖననం భాగం గద్యంతో పాటు పట్టికలు, గ్రాఫ్‌ల నుండి కూడా స్వయంచాలకంగా సమాచారాన్ని తీసుకుంటుంది, ఎందుకంటే కీలక పదార్థ డేటా తరచుగా వ్యవస్థబద్ధంగా శోధించడానికి కష్టమైన రూపాల్లో నిక్షిప్తమై ఉంటుంది.

ఆ విధానంతో, బృందం 448 పత్రాల నుంచి తీసిన 1,202 డైఎలెక్ట్రిక్-గుణ రికార్డులతో ఒక డేటాసెట్‌ను రూపొందించింది. ఇది స్వయంగా గణనీయమైన ఫలితం, ఎందుకంటే పదార్థ శాస్త్రంలో మెషిన్ లెర్నింగ్‌ను ఉపయోగించడంలో అతిపెద్ద అడ్డంకుల్లో ఒకటి ప్రచురిత రికార్డు నుండి ఉపయోగపడే, క్రమబద్ధమైన డేటాను సమీకరించడం.

డేటాసెట్ నిర్మించిన తర్వాత, బృందం భౌతిక జ్ఞానంతో మార్గనిర్దేశిత మెషిన్ లెర్నింగ్‌ను ఉపయోగించి ఒక వర్చువల్ సంయోజన స్థలాన్ని అన్వేషించి, అధిక ఉష్ణోగ్రత పరిస్థితుల్లో బలమైన పనితీరును నిలుపుకునే అవకాశమున్న సీసా-రహిత డైఎలెక్ట్రిక్ అభ్యర్థులను గుర్తించింది. ఇక్కడ ముఖ్యమైనది కేవలం ఏఐ వాడటం మాత్రమే కాదు, దాన్ని సాధారణ నమూనా-సరిపోల్చే సాధనంగా కాకుండా డొమైన్ పరిమితులకు అనుసంధానించడం.

ఆ తేడా ముఖ్యం. పదార్థ ఆవిష్కరణలో ప్రయోగాత్మక పరీక్షలో విఫలమయ్యే లేదా కొత్త రసాయనాలపై విస్తరించినప్పుడు విరిగిపోయే అనేక సంబంధాలు కనిపిస్తాయి. భౌతిక-ఆధారిత విధానాలు శాస్త్రీయంగా అర్థవంతమైన హద్దులలోనే మోడల్‌ను శోధించేలా చేసి ఆ ప్రమాదాన్ని తగ్గించేందుకు ప్రయత్నిస్తాయి.

ప్రయత్న-పరిశోధన నుండి లక్ష్యిత శోధనకు

ఈ పనిని పరిశోధకులు ప్రయత్నం-పొరపాటు ద్వారా ఆవిష్కరణ నుండి డేటా-ఆధారిత రూపకల్పన వైపు జరుగుతున్న విస్తృత మార్పులో భాగంగా వివరిస్తున్నారు. ఈ ఆలోచన సంవత్సరాలుగా ఉంది, కానీ సంబంధిత డేటాసెట్లను సమీకరించి వాటిని నిజమైన ప్రయోగాత్మక వర్క్‌ఫ్లోలతో కలపడం కష్టంగా ఉండటంతో దాని ప్రాయోగిక స్వీకరణ పరిమితమైంది.

ఈ అధ్యయనం ఆ అడ్డంకిని దాటే మార్గాన్ని సూచిస్తోంది. ఇప్పటికే సాహిత్యంలో చెల్లాచెదురుగా ఉన్న సమాచారాన్ని ఖననం చేయడం ద్వారా, వ్యవస్థ వాస్తవానికి వేరువేరు పత్రాల్లో చిక్కుకుపోయిన డేటాను తిరిగి పొందుతుంది. ఇది ప్రచురిత ఫలితాలను మరింత పెద్ద, శోధించగల రూపకల్పన స్థలంగా మార్చుతుంది.

దీనికి రెండు ప్రభావాలు ఉన్నాయి. మొదట, ప్రయోగశాలలో తయారు చేయదగిన పదార్థాలను గుర్తించడానికి అవసరమైన సమయాన్ని ఇది తగ్గించగలదు. రెండవది, శాస్త్రవేత్తకు వెంటనే తెలిసిన పరిధిని మించి అన్వేషణను విస్తరించి, సంభావ్యమైన కానీ స్పష్టంగా కనిపించని కలయికలను వెలికితీయగలదు. ఎదుగుతున్న ఎలక్ట్రానిక్స్ మరియు విద్యుదీకృత వ్యవస్థల కోసం ఈ రెండు ప్రయోజనాలూ ముఖ్యమైనవి, ఎందుకంటే భాగ పనితీరు, ఉష్ణ సహనం, మరియు పదార్థ భద్రత మరింతగా ఒకదానితో ఒకటి కలుస్తున్నాయి.

సీసా-రహిత దృష్టికోణం కూడా ముఖ్యమే. సీసాను నివారించే పదార్థాలు పర్యావరణ మరియు నియంత్రణ కారణాల వల్ల ఆకర్షణీయంగా ఉంటాయి, కానీ పనితీరును కోల్పోకుండా సీసా-ఆధారిత వ్యవస్థలను భర్తీ చేయడం ఇప్పటికీ నిరంతర సవాలుగానే ఉంది. ఉపయోగపడే ప్రత్యామ్నాయాలను కనుగొనే అవకాశాన్ని మెరుగుపరచే విధానం వినియోగ ఎలక్ట్రానిక్స్, వాహన వ్యవస్థలు, మరియు కాపాసిటర్ పనితీరు కీలకమైన అధిక-ఉష్ణోగ్రత అనువర్తనాలకు downstream ప్రాముఖ్యత కలిగి ఉండవచ్చు.

ఒక పదార్థ వర్గానికి మించి దీని అర్థం

ఈ అధ్యయనంలోని విస్తృత ప్రాముఖ్యత ఏ ఒక్క అభ్యర్థి పదార్థంలో కాకుండా, ఆ పనివిధానంలో ఉండవచ్చు. మల్టీమోడల్ సాహిత్య-ఖననం చెల్లాచెదురుగా ఉన్న ప్రచురిత సాక్ష్యాలను విశ్వసనీయంగా శిక్షణ-నాణ్యత గల డేటాసెట్లుగా మార్చగలిగితే, ఇదే దృష్టికోణం విలువైన డేటా సమృద్ధిగా ఉన్నప్పటికీ బాగా నిర్మితంగా లేని ఇతర పదార్థ వర్గాలకు కూడా విస్తరించవచ్చు.

అలా అయితే, భారీ స్వంత డేటాబేస్‌లతో మొదలుకాని పరిశోధనా వాతావరణాల్లో ఏఐ మరింత ఉపయోగకరంగా మారుతుంది. దాని బదులు, శాస్త్రీయ ప్రచురణలే ఆవిష్కరణ మౌలిక సదుపాయాల్లో భాగమవుతాయి. అప్పుడు మోడల్ కేవలం పత్రాలను చదవడం కాదు; దశాబ్దాలుగా కూడిన ఫలితాలను ఏమి ప్రయత్నించబడింది, ఏమి పనిచేసింది, ఇంకా ఏ అన్వేషణలేని అవకాశాలు మిగిలి ఉన్నాయి అనే విషయాలను చూపే యంత్ర-శోధనీయ పటంగా మార్చడంలో సహాయపడుతుంది.

ఇంకా పరిమితులు ఉన్నాయి. గణనాత్మక అంచనాలు సంశ్లేషణ, కొలత, మరియు పునరుత్పత్తి అవసరాన్ని తొలగించవు. అభ్యర్థి పదార్థాలు ఇంకా తయారీ సాధ్యమని, వాస్తవ పరిస్థితుల్లో స్థిరంగా ఉన్నాయని నిరూపించాలి. కానీ అచ్చం అందుకే ఈ తరహా వ్యవస్థ ముఖ్యం: ఇది ప్రయోగాలను తొలగించదు, వాటిని మరింత ఎంపికాత్మకంగా చేస్తుంది.

మెరుగైన ఎలక్ట్రానిక్ పదార్థాలపై ఆధారపడే ఎదుగుతున్న సాంకేతిక రంగాలకు ఇది మరింత స్థిరమైన పాఠం. శాస్త్రంలో ఏఐకి అత్యున్నత విలువ పరిశోధకులను భర్తీ చేయడంలో లేదా విస్తృత ఊహాత్మక సమాధానాలను తయారు చేయడంలో ఉండకపోవచ్చు. అది దాచిన సాక్ష్యాలను వెలికితీయడం, వాటిని నిర్మాణాత్మకంగా మార్చడం, మరియు తరువాత చేయాల్సిన ప్రయోగాల్లో ఏవీ అత్యంత విలువైనవో శాస్త్రవేత్తలు నిర్ణయించడానికి సహాయపడే నెమ్మదైన, తక్కువ ఆకర్షణీయమైన పనిలో ఉండవచ్చు.

ఈ వ్యాసం Phys.org నివేదిక ఆధారంగా రూపొందింది. మూల వ్యాసం చదవండి.