పదార్థాల అన్వేషణ సమస్యను భౌతికశాస్త్రాన్ని గుర్తించే AI విధానం ఎదుర్కొంటోంది
Tohoku University పరిశోధకులు డైఎలెక్ట్రిక్ పనితీరు కోసం వేలాది పదార్థాలను వేగంగా స్క్రీన్ చేయగల AI పద్ధతిని అభివృద్ధి చేసినట్లు చెబుతున్నారు; ఇది మరింత సంప్రదాయ అంచనా విధానాల కంటే ఎక్కువ ఖచ్చితత్వాన్ని కూడా మెరుగుపరుస్తుంది. Physical Review Xలో ప్రచురితమైన అధ్యయనంలో, 8,000 కంటే ఎక్కువ అభ్యర్థులతో చేసిన స్క్రీనింగ్ రన్లో ఈ పద్ధతి 31 ఇప్పటివరకు తెలియని అధిక-డైఎలెక్ట్రిక్ ఆక్సైడ్ పదార్థాలను గుర్తించడంలో సహాయపడిందని బృందం నివేదించింది.
ఈ పురోగతి materials scienceలో నిలకడైన ఒక bottleneckను పరిష్కరిస్తోంది. ఒక పదార్థం విద్యుత్ క్షేత్రాలకు ఎలా స్పందిస్తుందో అంచనా వేయడం గణనాత్మకంగా భారమైన పని, కానీ ఆ స్పందన ఆధునిక electronicsకు కేంద్రస్థానం. స్మార్ట్ఫోన్లు, కంప్యూటర్లు వంటి పరికరాల్లో dielectric materials విస్తృతంగా ఉపయోగిస్తారు; కాబట్టి ఆశాజనక అభ్యర్థులను కనుగొనే మంచి సాధనాలు పెద్ద ప్రాయోగిక విలువను కలిగి ఉండవచ్చు.
నేరుగా అంచనా వేయడం ఎందుకు కష్టం
సంక్లిష్ట పదార్థ లక్షణాలను ఒకే outputగా పరిగణించినప్పుడు, AI systems వాటిని నమ్మదగిన రీతిలో అంచనా వేయడం తరచూ కష్టమవుతుంది. Tohoku బృందం పరిష్కారం ఆ నేరుగా తీసుకునే shortcutను నివారించడం. modelను dielectric constantను నేరుగా ఊహించమని అడగకుండా, తుది లక్షణానికి తోడ్పడే మరింత ప్రాథమిక భౌతిక పరిమాణాల చుట్టూ సమస్యను పరిశోధకులు నిర్మించారు.
మూల పాఠ్యంలో వివరించిన వ్యవస్థలో, model Born effective chargesను వేరుగా అంచనా వేస్తుంది, ఇవి అణువులు విద్యుత్ క్షేత్రాలకు ఎలా స్పందిస్తాయో వివరిస్తాయి, అలాగే phonon propertiesను కూడా అంచనా వేస్తుంది, ఇవి పదార్థంలోని అణు కంపనాలను పట్టుకుంటాయి. ఆ భాగాలను తరువాత ఒక physical formula ద్వారా కలిపి ionic dielectric tensorను పునర్నిర్మిస్తారు.
ఆ రూపకల్పనే పేపర్ వాదన యొక్క కేంద్రం. workflowలో physicsను కలపడం వల్ల AI, crystal structure నుంచి తుది dielectric ప్రవర్తనకు నేరుగా దూకే పద్ధతుల కంటే వేగంగా మరియు మరింత నమ్మదగినదిగా ఉంటుందని పరిశోధకులు వాదిస్తున్నారు.
