Argonne ਦਾ ਨਵਾਂ AI ਟੂਲ ਮਟੀਰੀਅਲ ਸਾਇੰਸ (Materials Science) ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ ਵਿਸ਼ਲੇਸ਼ਣ ਲੈ ਕੇ ਆ ਰਿਹਾ ਹੈ

Argonne National Laboratory ਨੇ DONUT ਦਾ अनाਹਰਣ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਫਿਜ਼ਿਕਸ-ਅਵੇਅਰ (physics-aware) ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ ਜੋ ਤੁਰੰਤ X-ray ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਮਟੀਰੀਅਲ ਸਾਇੰਸ ਦੇ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਬਾਅਦ ਹੁੰਦੇ ਹਫ਼ਤਿਆਂ ਦੇ ਇੰਤਜ਼ਾਰ ਨੂੰ ਖਤਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਸਿਸਟਮ ਬਿਨਾਂ ਕਿਸੇ ਵੱਡੇ ਲੇਬਲਡ ਡੇਟਾਸੈਟ (labeled datasets) ਦੇ ਕੰਮ ਕਰਦਾ ਹੈ ਜੋ ਕਿ ਜ਼ਿਆਦਾਤਰ AI ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਖੁਦਮੁਖਤਿਆਰ ਖੋਜ ਦਾ ਰਸਤਾ ਖੁੱਲ੍ਹ ਗਿਆ ਹੈ।

ਰੀਅਲ-ਟਾਈਮ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਰਵਾਇਤੀ ਬੀਮ-ਲਾਈਨ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ, ਵਿਗਿਆਨੀ X-ray ਡਿਫਰੈਕਸ਼ਨ ਡੇਟਾ ਇਕੱਠਾ ਕਰਦੇ ਹਨ, ਫਿਰ ਕਿਸੇ ਮਟੀਰੀਅਲ ਦੀ ਬਣਤਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਇਸ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਵਿੱਚ ਹਫ਼ਤਿਆਂ ਜਾਂ ਮਹੀਨੇ ਬਿਤਾਉਂਦੇ ਹਨ। ਉਹ ਦੇਰੀ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਪ੍ਰਯੋਗ ਨੂੰ ਮੁੜ ਡਿਜ਼ਾਈਨ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰ ਸਕਦੀ ਹੈ ਜਾਂ ਉਹਨਾਂ ਅਸਥਾਈ ਵਰਤਾਰੇ (transient phenomena) ਨੂੰ ਗੁਆ ਸਕਦੀ ਹੈ ਜੋ ਸਿਰਫ਼ ਮਾਪ ਦੌਰਾਨ ਹੀ ਵਾਪਰਦੇ ਹਨ। DONUT ਡੇਟਾ ਨੂੰ ਰਿਕਾਰਡ ਕੀਤੇ ਜਾਣ ਦੇ ਨਾਲ ਹੀ ਸਟ੍ਰੀਮ ਕਰਦਾ ਹੈ, ਤੁਰੰਤ ਫੀਡਬੈਕ ਦਿੰਦਾ ਹੈ ਤਾਂ ਜੋ ਜੇਕਰ ਟੈਸਟ ਦੌਰਾਨ ਕੋਈ ਨਮੂਨਾ ਬਦਲਦਾ ਹੈ ਤਾਂ ਖੋਜਕਰਤਾ ਤੁਰੰਤ ਕਾਰਵਾਈ ਕਰ ਸਕਣ।

DONUT ਡੇਟਾ ਲੇਬਲਿੰਗ ਤੋਂ ਕਿਵੇਂ ਬਚਦਾ ਹੈ

ਆਮ ਡੀਪ-ਲਰਨਿੰਗ ਟੂਲ ਸੁਪਰਵਾਈਜ਼ਡ ਟ੍ਰੇਨਿੰਗ (supervised training) 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ: ਹਜ਼ਾਰਾਂ ਉਦਾਹਰਣਾਂ ਜਿੱਥੇ ਹਰੇਕ X-ray ਪੈਟਰਨ ਨੂੰ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਢਾਂਚੇ ਨਾਲ ਮਿਲਾਇਆ ਜਾਂਦਾ ਹੈ। ਉਹਨਾਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਬਣਾਉਣਾ ਬਹੁਤ ਮਿਹਨਤ ਵਾਲਾ ਕੰਮ ਹੈ ਅਤੇ ਅਕਸਰ ਨਵੇਂ ਜਾਂ ਗੁੰਝਲਦਾਰ ਮਟੀਰੀਅਲਾਂ ਲਈ ਅਸੰਭਵ ਹੁੰਦਾ ਹੈ। DONUT ਅਨਸੁਪਰਵਾਈਜ਼ਡ (unsupervised) ਤਰੀਕੇ ਨਾਲ ਸਿੱਖਦਾ ਹੈ, ਜੋ X-ray ਇੰਟਰੈਕਸ਼ਨ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਵਾਲੇ ਭੌਤਿਕ ਨਿਯਮਾਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਆਪਣੇ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਉਹਨਾਂ ਸੀਮਾਵਾਂ ਨੂੰ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਅਪਣਾ ਕੇ, ਨੈੱਟਵਰਕ ਕਿਸੇ ਵੀ ਪਹਿਲਾਂ ਤੋਂ ਲੇਬਲ ਕੀਤੇ ਉਦਾਹਰਣ ਨੂੰ ਦੇਖੇ ਬਿਨਾਂ ਹੀ ਬਣੂਟੀ ਜਾਣਕਾਰੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਲੈਂਦਾ ਹੈ।

ਖੋਜ 'ਤੇ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵ

  • ਤੇਜ਼ ਖੋਜ – ਇਸ ਦੀ ਰਫ਼ਤਾਰ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਬੈਟਰੀਆਂ, ਰਸਾਇਣਕ ਕੈਟਾਲਿਸਟਾਂ ਅਤੇ ਇਲੈਕਟ੍ਰਾਨਿਕ ਕੰਪੋਨੈਂਟਾਂ ਦਾ ਤੇਜ਼ੀ ਨਾਲ ਅਧਿਐਨ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ।
  • ਵਿਆਪਕ ਪਹੁੰਚ – ਡਿਫਰੈਕਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਡੂੰਘੀ ਮੁਹਾਰਤ ਤੋਂ ਬਿਨਾਂ ਵਰਤੋਂਕਾਰ ਪ੍ਰਯੋਗ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਵਰਤੋਂਯੋਗ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉੱਭਰ ਰਹੀਆਂ ਲੈਬਾਂ ਲਈ ਰੁਕਾਵਟਾਂ ਘਟਦੀਆਂ ਹਨ।
  • ਅਨੁਕੂਲ ਪ੍ਰਯੋਗ (Adaptive experiments) – ਕਿਉਂਕਿ ਮਾਡਲ ਆਪਣੇ ਆਪ ਨੂੰ ਤਾਜ਼ਾ ਮਾਪਾਂ ਨਾਲ ਅਪਡੇਟ ਕਰਦਾ ਹੈ, ਇਹ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਖੁਦਮੁਖਤਿਆਰੀ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ।

ਸਿੱਟਾ

DONUT ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ AI ਵਿੱਚ ਭੌਤਿਕ ਵਿਗਿਆਨ (physics) ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਨਾਲ ਡੇਟਾ-ਲੇਬਲ ਦੀ ਰੁਕਾਵਟ ਨੂੰ ਪਾਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ X-ray ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਇੱਕ ਹੌਲੀ, ਪ੍ਰੋਸੈਸਿੰਗ ਵਾਲੇ ਕੰਮ ਤੋਂ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਅਤੇ ਤੁਰੰਤ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।