Argonne Launches DONUT AI, Cutting X-Ray Analysis from Weeks to Seconds

Argonne-യുടെ പുതിയ AI ഉപകരണം മെറ്റീരിയൽ സയൻസിന് തത്സമയ വിശകലനം നൽകുന്നു

Argonne National Laboratory, DONUT എന്ന പുതിയ സംവിധാനം പുറത്തിറക്കി. ഫിസിക്സ് അറിവുള്ള (physics-aware) ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കാണിത്. ഇത് എക്സ്-റേ വിശകലനം ഉടനടി നൽകുന്നു, അതുവഴി മെറ്റീരിയൽ സയൻസ് പരീക്ഷണങ്ങൾക്ക് ശേഷം സാധാരണയായി ഉണ്ടാകാറുള്ള ആഴ്ചകളോളം നീണ്ടുനിൽക്കുന്ന കാത്തിരിപ്പ് ഒഴിവാക്കുന്നു. മിക്ക AI മോഡലുകളെയും പ്രവർത്തിപ്പിക്കുന്ന വലിയ അളവിലുള്ള ലേബൽ ചെയ്ത ഡാറ്റാസെറ്റുകൾ ഇല്ലാതെ തന്നെ ഈ സിസ്റ്റം പ്രവർത്തിക്കുന്നു, ഇത് വേഗത്തിലുള്ളതും കൂടുതൽ സ്വയംഭരണാധികാരമുള്ളതുമായ (autonomous) ഗവേഷണത്തിന് വഴിതുറക്കുന്നു.

എന്തുകൊണ്ടാണ് തത്സമയ വിശകലനം പ്രധാനമാകുന്നത്

പരമ്പരാഗത ബീം-ലൈൻ പരീക്ഷണങ്ങളിൽ, ശാസ്ത്രജ്ഞർ എക്സ്-റേ ഡിഫ്രാക്ഷൻ ഡാറ്റ ശേഖരിക്കുകയും, തുടർന്ന് ഒരു പദാർത്ഥത്തിന്റെ ഘടന മനസ്സിലാക്കുന്നതിനായി അത് പ്രോസസ്സ് ചെയ്യാൻ ആഴ്ചകളോ മാസങ്ങളോ ചിലവഴിക്കുകയും ചെയ്യുന്നു. ഈ കാലതാമസം ഗവേഷകരെ പരീക്ഷണം പുനർരൂപകൽപ്പന ചെയ്യാൻ നിർബന്ധിതരാക്കിയേക്കാം അല്ലെങ്കിൽ അളവ് എടുക്കുന്ന സമയത്ത് മാത്രം സംഭവിക്കുന്ന താൽക്കാലിക പ്രതിഭാസങ്ങൾ (transient phenomena) നഷ്ടപ്പെട്ടേക്കാം. DONUT ഡാറ്റ റെക്കോർഡ് ചെയ്യുന്നതിനൊപ്പം തന്നെ അത് സ്ട്രീം ചെയ്യുന്നു, ഇത് ഉടനടി ഫീഡ്‌ബാക്ക് നൽകുന്നു. അതിനാൽ ഒരു പരീക്ഷണം നടക്കുമ്പോൾ സാമ്പിളിൽ മാറ്റം വന്നാൽ ഗവേഷകർക്ക് ഉടൻ പ്രതികരിക്കാൻ സാധിക്കും.

ഡാറ്റാ ലേബലിംഗിൽ നിന്ന് DONUT എങ്ങനെ ഒഴിഞ്ഞുമാറുന്നു

സാധാരണ ഡീപ്-ലേണിംഗ് ടൂളുകൾ സൂപ്പർവൈസ്ഡ് ട്രെയിനിംഗിനെയാണ് ആശ്രയിക്കുന്നത്: ഓരോ എക്സ്-റേ പാറ്റേണും അറിയപ്പെടുന്ന ഒരു ഘടനയുമായി പൊരുത്തപ്പെടുത്തുന്ന ആയിരക്കണക്കിന് ഉദാഹരണങ്ങൾ ഇതിൽ ആവശ്യമാണ്. ഇത്തരം ലൈബ്രറികൾ നിർമ്മിക്കുന്നത് കഠിനമായ ജോലിയാണ്, കൂടാതെ പുതിയതോ സങ്കീർണ്ണമായതോ ആയ പദാർത്ഥങ്ങളുടെ കാര്യത്തിൽ ഇത് പലപ്പോഴും അസാധ്യവുമാണ്. എന്നാൽ DONUT അൺസൂപ്പർവൈസ്ഡ് രീതിയിലാണ് പഠിക്കുന്നത്; എക്സ്-റേ ഇടപെടലുകളെ നിയന്ത്രിക്കുന്ന ഭൗതിക നിയമങ്ങളെ (physical laws) അതിന്റെ ആർക്കിടെക്ചറിലേക്ക് നേരിട്ട് ഉൾപ്പെടുത്തിക്കൊണ്ടാണ് ഇത് പ്രവർത്തിക്കുന്നത്. ഈ നിയന്ത്രണങ്ങൾ ഉൾക്കൊള്ളുന്നതിലൂടെ, മുൻകൂട്ടി ലേബൽ ചെയ്ത ഒരു ഉദാഹരണവും കാണാതെ തന്നെ ഘടനാപരമായ വിവരങ്ങൾ കണ്ടെത്താൻ ഈ നെറ്റ്‌വർക്കിന് സാധിക്കുന്നു.

ഗവേഷണത്തിലുണ്ടാകാൻ സാധ്യതയുള്ള സ്വാധീനം

• വേഗത്തിലുള്ള കണ്ടെത്തലുകൾ – ഇതിന്റെ വേഗത ഗവേഷകർക്ക് ബാറ്ററികൾ, രാസ ഉൽപ്രേരകങ്ങൾ (chemical catalysts), ഇലക്ട്രോണിക് ഘടകങ്ങൾ എന്നിവ കൂടുതൽ വേഗത്തിൽ പഠിക്കാൻ സഹായിക്കുന്നു.
• കൂടുതൽ ലഭ്യത – ഡിഫ്രാക്ഷൻ വിശകലനത്തിൽ ആഴത്തിലുള്ള അറിവില്ലാത്ത ഉപയോക്താക്കൾക്കും പരീക്ഷണങ്ങൾ നടത്താനും ഉപയോഗപ്രദമായ ഫലങ്ങൾ നേടാനും ഇതിലൂടെ സാധിക്കും, ഇത് പുതിയ ലാബുകൾക്ക് ഗവേഷണം തുടങ്ങുന്നതിനുള്ള തടസ്സങ്ങൾ കുറയ്ക്കുന്നു.
• അഡാപ്റ്റീവ് പരീക്ഷണങ്ങൾ – ഏറ്റവും പുതിയ അളവുകൾക്കനുസരിച്ച് മോഡൽ സ്വയം പുതുക്കുന്നതിനാൽ, ഇത് പരീക്ഷണങ്ങളെ കൂടുതൽ സ്വയംഭരണാധികാരമുള്ളതാക്കി (autonomy) മാറ്റുന്നു.

ചുരുക്കത്തിൽ

AI-യിൽ ഭൗതികശാസ്ത്രം ഉൾപ്പെടുത്തുന്നത് ഡാറ്റാ-ലേബൽ തടസ്സങ്ങളെ മറികടക്കാൻ സഹായിക്കുമെന്ന് DONUT കാണിച്ചുതരുന്നു. ഇത് എക്സ്-റേ പരീക്ഷണങ്ങളെ സാവധാനത്തിലുള്ള ഒരു പ്രോസസ്സിംഗിൽ നിന്ന് തത്സമയവും സംവേദനാത്മകവുമായ (interactive) ഒരു കണ്ടെത്തൽ പ്രക്രിയയാക്കി മാറ്റുന്നു.