Argonne च्या नवीन AI टूलमुळे मटेरियल सायन्समध्ये रिअल-टाइम विश्लेषण शक्य झाले आहे

Argonne National Laboratory ने DONUT सादर केले आहे, जे एक 'physics-aware' न्यूरल नेटवर्क आहे जे क्षणास क्षणी X-ray विश्लेषण प्रदान करते. यामुळे मटेरियल सायन्स प्रयोगांनंतर पारंपारिकपणे लागणाऱ्या आठवड्यांच्या प्रतीक्षेत मोठी कपात झाली आहे. हे सिस्टम बहुतेक AI मॉडेल्सना ऊर्जा देणाऱ्या मोठ्या 'लेबल केलेल्या डेटासेट'शिवाय काम करते, ज्यामुळे अधिक वेगवान आणि स्वायत्त संशोधनाचे मार्ग खुले झाले आहेत.

रिअल-टाइम का महत्त्वाचे आहे

पारंपारिक बीम-लाइन प्रयोगांमध्ये, शास्त्रज्ञ X-ray डिफ्रॅक्शन डेटा गोळा करतात आणि त्यानंतर एखाद्या पदार्थाची रचना समजून घेण्यासाठी तो प्रक्रिया (processing) करण्यात आठवडे किंवा महिने घालवतात. या विलंबामुळे संशोधकांना प्रयोग पुन्हा डिझाइन करावे लागू शकतात किंवा मोजमाप दरम्यान घडणाऱ्या तात्पुरत्या घटना (transient phenomena) सुटू शकतात. DONUT डेटा रेकॉर्ड होतानाच तो स्ट्रीम करते, ज्यामुळे त्वरित फीडबॅक मिळतो आणि चाचणी दरम्यान नमुना (sample) बदलल्यास संशोधक त्यावर त्वरित उपाययोजना करू शकतात.

DONUT डेटा लेबलिंग कसे टाळते

सामान्य डीप-लर्निंग टूल्स 'सुपरवाइज्ड ट्रेनिंग'वर अवलंबून असतात: जिथे हजारो उदाहरणांमध्ये प्रत्येक X-ray पॅटर्नची तुलना ज्ञात रचनेशी केली जाते. अशा लायब्ररी तयार करणे कष्टाचे असते आणि नवीन किंवा जटिल पदार्थांसाठी अनेकदा अशक्य असते. DONUT 'अनसुपरवाइज्ड' पद्धतीने शिकते, ज्यामध्ये X-ray इंटरॅक्शन नियंत्रित करणारे भौतिक नियम थेट त्याच्या आर्किटेक्चरमध्ये समाविष्ट केले जातात. हे निर्बंध अंतर्गत स्वीकारल्यामुळे, हे नेटवर्क कोणत्याही पूर्व-लेबल केलेल्या उदाहरणाशिवाय स्ट्रक्चरल माहिती मिळवू शकते.

संशोधनावरील संभाव्य परिणाम

  • त्वरित शोध (Accelerated discovery) – या वेगामुळे संशोधकांना बॅटरी, रासायनिक उत्प्रेरक (chemical catalysts) आणि इलेक्ट्रॉनिक घटक अधिक वेगाने अभ्यासता येतात.
  • व्यापक उपलब्धता (Broader accessibility) – डिफ्रॅक्शन विश्लेषणातील सखोल तज्ज्ञता नसलेले वापरकर्ते देखील प्रयोग करू शकतात आणि उपयुक्त परिणाम मिळवू शकतात, ज्यामुळे उदयोन्मुख प्रयोगशाळांसाठी प्रवेशातील अडथळे कमी होतात.
  • अनुकूलनक्षम प्रयोग (Adaptive experiments) – मॉडेल नवीनतम मोजमापांसह स्वतःला अपडेट करत असल्यामुळे, हे प्रयोगांना स्वायत्ततेकडे (autonomy) नेण्यास मदत करते.

निष्कर्ष

DONUT हे दर्शवते की AI मध्ये भौतिकशास्त्र समाविष्ट केल्यामुळे डेटा-लेबलिंगचा अडथळा दूर होऊ शकतो, ज्यामुळे X-ray प्रयोग हे संथ, पोस्ट-प्रोसेसिंगच्या कामातून रूपांतरित होऊन एक संवादात्मक आणि तात्काळ शोध प्रक्रियेत बदलू शकतात.