భౌతికశాస్త్రం-మార్గనిర్దేశిత AI 31 ఇప్పటివరకు తెలియని అధిక-డైఎలెక్ట్రిక్ ఆక్సైడ్‌లను గుర్తించింది

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.

స్క్రీనింగ్‌లో ఏమి లభించింది

ఈ పద్ధతిని ఉపయోగించి, బృందం 8,000 కంటే ఎక్కువ ఆక్సైడ్ పదార్థాలను స్క్రీన్ చేసి, 31 ఇప్పటివరకు తెలియని అధిక-డైఎలెక్ట్రిక్ ఆక్సైడ్‌లకు పరిధిని తగ్గించింది. ఇది search spaceలో గణనీయమైన తగ్గింపు, మరియు materials discoveryలో AI ప్రాయోగిక పాత్రను హైలైట్ చేస్తుంది: ప్రయోగాలు లేదా first-principles calculations‌ను పూర్తిగా భర్తీ చేయడం కాదు, కానీ పరిశోధకులు ఆ ఖరీదైన ప్రయత్నాలను తర్వాత ఎక్కడ ఖర్చు చేయాలో నిర్ణయించడంలో సహాయపడటం.

electronics కోసం ఇది ముఖ్యమైనది, ఎందుకంటే high-dielectric materials విద్యుత్ క్షేత్రాలను నియంత్రించడంలో, భాగాల్లో శక్తిని నిల్వ చేయడంలో, మరియు పరికరాలు మరింత డిమాండింగ్‌గా మారే కొద్దీ నిరంతర పనితీరు మెరుగుదలలను అందించడంలో కీలకం. ఈ స్థాయిలో అభ్యర్థులను traditional computational workflows‌తో త్వరగా చేయడం కష్టం.

ఈ విధానం ఎందుకు ప్రత్యేకంగా నిలుస్తోంది

అధ్యయన ప్రాముఖ్యత machine learning‌ను భౌతిక నిర్మాణంతో ఎలా సమతుల్యం చేస్తుందనే విషయంపై ఉంది. model‌ను యాదృచ్ఛికంగా పనిచేసే black boxగా చూపడం లేదు. బదులుగా, స్థిరపడిన భౌతిక అర్థం ఉన్న మధ్యస్థ లక్షణాలను నేర్చుకుని, తరువాత ఆ భాగాలనుంచి పెద్ద ప్రవర్తనను పునర్నిర్మించే వ్యవస్థగా అది రూపకల్పన చేయబడింది.

శాస్త్రీయ వాతావరణాల్లో ఇది ప్రత్యేకంగా విలువైనదిగా ఉండవచ్చు, ఎందుకంటే పరిశోధకులు కేవలం అంచనా పనితీరును మాత్రమే కాకుండా trust, error analysis, మరియు సంబంధిత సమస్యలకు portability‌ను కూడా చూస్తారు. వివరణాత్మక భౌతిక భాగాలపై ఆధారపడిన model‌ను ధృవీకరించడం సులభం, దగ్గర ఉన్న materials challenges‌కు విస్తరించడం కూడా సులభం కావచ్చు.

ఎలక్ట్రానిక్స్ మరియు discovery pipelines‌పై ప్రభావాలు

తక్షణ ప్రభావం వేగం. materials scientists వేలాది సమ్మేళనాలను మరింత సమర్థవంతంగా స్క్రీన్ చేయగలిగితే, సిద్ధాంతం మరియు ప్రయోగాత్మక ధృవీకరణ మధ్య మార్గాన్ని తగ్గించవచ్చు. కాలక్రమేణా, అది next-generation capacitors, transistors, memories, మరియు dielectric పనితీరుపై ఆధారపడే ఇతర electronic systems‌కు తగిన పదార్థాల అన్వేషణను వేగవంతం చేయవచ్చు.

దీర్ఘకాలిక ప్రభావం పద్ధతివారీ. Physics-guided AI అనేది hard-science domains‌లో machine learning‌ను నిజంగా ఉపయోగకరంగా మార్చే అత్యంత స్పష్టమైన మార్గాల్లో ఒకటిగా ఉండొచ్చు, అక్కడ డేటా అరుదుగా ఉంటుంది, simulations ఖరీదైనవి, మరియు extrapolation ప్రమాదకరం. domain knowledge‌ను అడ్డంకిగా కాకుండా, Tohoku బృందం దానిని AI‌ను మరింత విశ్వసనీయంగా 만드는 scaffolding‌గా చూస్తోంది.

AI వాదనలో మరింత సంకుచితమైన కానీ మరింత ఉపయోగకరమైన రూపం

ఈ paper ఒక universal materials oracle‌ను వాగ్దానం చేయదు. దాని వాదన మరింత నియంత్రితమైనది, అందువల్ల మరింత విశ్వసనీయమైనదీ: AI‌ను తెలిసిన భౌతిక సంబంధాలతో కలిపి, పరిశోధకులు materials screening‌ను మెరుగుపరచి, కనిపించని అభ్యర్థులను మరింత సమర్థవంతంగా కనుగొనగలరు. ఈ సందర్భంలో, అది 31 కొత్త high-dielectric oxide leads‌గా మారింది.

emerging electronics research‌కు, ఇది ముఖ్యమైన పురోగతి. మెరుగైన పదార్థాలు సాధారణంగా అంచనా, వడపోత, మరియు ధృవీకరణలో చిన్న మెరుగుదలల దీర్ఘ శ్రేణి ద్వారా వస్తాయి. ఈ పని ఆ గొలుసులోని ఒక లింక్ ఇప్పుడు మరింత బలపడుతున్నదని సూచిస్తోంది.

ఈ వ్యాసం Phys.org రిపోర్టింగ్‌పై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.