ਐਲਗੋਰਿਦਮ ਤੋਂ ਪਰੇ: ਮਟੀਰੀਅਲ ਸਾਇੰਸ ਕਿਵੇਂ AI ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰ ਰਿਹਾ ਹੈ

ਜਦੋਂ ਕਿ AI ਦੀ ਚਰਚਾ ਅਕਸਰ ਵਿਸ਼ਾਲ LLMs ਅਤੇ GPU ਕਲਸਟਰਾਂ 'ਤੇ ਕੇਂਦਰਿਤ ਹੁੰਦੀ ਹੈ, ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੀ ਬੁੱਧੀ ਲਈ ਅਸਲ ਰੁਕਾਵਟ ਭੌਤਿਕ ਖੇਤਰ ਵੱਲ shifting (ਬਦਲ) ਰਹੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ AI ਵਰਕਲੋਡਸ ਨੂੰ ਬੇਮਿਸਾਲ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਅਤੇ ਊਰਜਾ ਕੁਸ਼ਲਤਾ ਦੀ ਲੋੜ ਹੈ, ਉੱਨਤ ਮਟੀਰੀਅਲਸ (ਪਦਾਰਥ) ਕੰਪਿਊਟਿੰਗ ਵਿੱਚ ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ ਕੀ ਸੰਭਵ ਹੈ, ਇਸ ਦੇ ਮੁੱਖ ਨਿਰਮਾਤਾ ਬਣ ਰਹੇ ਹਨ।

ਸੈਮੀਕੰਡਕਟਰ ਫੈਬ੍ਰਿਕੇਸ਼ਨ ਦੀ ਚੁਣੌਤੀ ਦਾ ਹੱਲ ਕਰਨਾ

ਆਧੁਨਿਕ ਸੈਮੀਕੰਡਕਟਰ ਚਿੱਪਾਂ ਦਾ ਨਿਰਮਾਣ ਇੱਕ ਉੱਚ-ਜੋਖਮ ਵਾਲਾ ਮਾਹੌਲ ਹੈ ਜਿਸ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਸਖ਼ਤ ਨਿਯੰਤਰਿਤ ਪ੍ਰਕਿਰਿਆ ਕਦਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਇਸ ਦ੍ਰਿਸ਼ ਵਿੱਚ, ਤਾਪਮਾਨ ਵਿੱਚ ਮਾਈਕ੍ਰੋਸਕੋਪਿਕ ਤਬਦੀਲੀਆਂ ਜਾਂ ਰਸਾਇਣਕ ਅਸਥਿਰਤਾ ਵੀ ਖਾਮੀਆਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਉਤਪਾਦਨ (yield) ਘਟ ਜਾਂਦਾ ਹੈ ਅਤੇ ਲਾਗਤਾਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਜਾਂਦੀਆਂ ਹਨ। ਅੱਗੇ ਰਹਿਣ ਲਈ, ਨਿਰਮਾਤਾ ਉੱਨਤ ਪੌਲੀਮਰਸ, ਐਲਾਸਟੋਮਰਸ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਤਰਲ ਪਦਾਰਥਾਂ ਵੱਲ ਮੁੜ ਰਹੇ ਹਨ ਜੋ ਉੱਚ ਪੱਧਰੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕਠੋਰ ਰਸਾਇਣਕ ਅਤੇ ਪਲਾਜ਼ਮਾ ਵਾਤਾਵਰਣ ਪ੍ਰਤੀ ਵਧੇਰੇ ਰੋਧਕਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਇਹ ਮਟੀਰੀਅਲਸ ਸਿਰਫ਼ ਸਹਾਇਕ ਉਪਕਰਣ ਨਹੀਂ ਹਨ; ਇਹ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੀਆਂ ਚਿੱਪਾਂ ਲਈ ਲੋੜੀਂਦੀ ਵਧੇਰੇ ਸਥਿਰਤਾ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, perfluoroelastomers ਸੈਮੀਕੰਡਕਟਰ ਨਿਰਮਾਣ ਉਪਕਰਣਾਂ ਨੂੰ ਸੀਲ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਕਿਉਂਕਿ ਉਹਨਾਂ ਨੂੰ ਅਤਿ ਦੀ ਤਾਪਮਾਨ ਅਤੇ ਹਮਲਾਵਰ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਰਸਾਇਣਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। Syensqo ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਹੁਣ fluorosurfactant-free ਨਿਰਮਾਣ ਪ੍ਰਕਿਰਿਆਵਾਂ ਰਾਹੀਂ ਇਹਨਾਂ ਮਟੀਰੀਅਲਸ ਵਿੱਚ ਨਵੀਨਤਾ ਲਿਆ ਰਹੀਆਂ ਹਨ, ਜੋ ਇਹ ਸਾਬਤ ਕਰਦੀਆਂ ਹਨ ਕਿ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੀਆਂ ਤਕਨੀਕੀ ਲੋੜਾਂ ਹੁਣ ਵਧੇਰੇ ਟਿਕਾਊ ਉਤਪਾਦਨ ਵਿਧੀਆਂ ਨਾਲ ਇਕੱਠੀਆਂ ਰਹਿ ਸਕਦੀਆਂ ਹਨ।

ਥਰਮਲ ਮੈਨੇਜਮੈਂਟ ਅਤੇ ਡਾਟਾ ਸੈਂਟਰ ਇਨਫਰਾਸਟ੍ਰਕਚਰ

ਜਿਵੇਂ-ਜਿਵੇਂ AI ਕੰਪਿਊਟਿੰਗ ਡੈਂਸਿਟੀ ਵਧ ਰਹੀ ਹੈ, ਹਾਈਪਰਸਕੇਲ ਡਾਟਾ ਸੈਂਟਰਾਂ ਦਾ ਭੌਤਿਕ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਇੱਕ ਰੈਡੀਕਲ ਤਬਦੀਲੀ ਵਿੱਚੋਂ ਗੁਜ਼ਰ ਰਿਹਾ ਹੈ। ਸਿਸਟਮ ਦੀ विफलता (failure) ਨੂੰ ਰੋਕਣ ਲਈ ਉੱਚ ਪਾਵਰ ਡੈਂਸਿਟੀ ਨੂੰ ਵਧੇਰੇ ਸੋਸ਼ਲਿਸਟਿਕ (sophisticated) ਥਰਮਲ ਮੈਨੇਜਮੈਂਟ ਅਤੇ ਉੱਚ-ਵੋਲਟੇਜ ਪਾਵਰ ਆਰਕੀਟੈਕਚਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਆਟੋਮੋਟਿਵ ਅਤੇ AI ਉਦਯੋਗਾਂ ਵਿਚਕਾਰ ਇੱਕ ਮੇਲ (convergence) ਪੈਦਾ ਕਰ ਰਹੀ ਹੈ।

AI ਸਰਵਰਾਂ ਦੁਆਰਾ ਸਾਹਮਣਾ ਕੀਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਇੰਜੀਨੀਅਰਿੰਗ ਚੁਣੌਤੀਆਂ—ਜਿਵੇਂ ਕਿ ਕੁਸ਼ਲ ਲਿਕਵਿਡ ਕੂਲਿੰਗ ਦੀ ਲੋੜ—ਇਲੈਕਟ੍ਰਿਕ ਵਾਹਨਾਂ (EVs) ਵਿੱਚ ਪਾਈਆਂ ਜਾਣ ਵਾਲੀਆਂ ਚੁਣੌਤੀਆਂ ਨਾਲ ਮਿਲਦੀਆਂ-ਜੁਲਦੀਆਂ ਹਨ। ਆਟੋਮੋਟਿਵ ਕੂਲੈਂਟ ਸਿਸਟਮਾਂ ਤੋਂ ਫਲੂਇਡ-ਸਰਕੂਲੇਸ਼ਨ ਮਾਹਰਤਾ ਨੂੰ AI ਸਰਵਰਾਂ ਲਈ ਸਿੱਧੇ ਲਿਕਵਿਡ-ਕੂਲਿੰਗ ਡਿਜ਼ਾਈਨਾਂ ਵਿੱਚ ਅਪਣਾ ਕੇ, ਖੋਜਕਰਤਾ ਭਰੋਸੇਯੋਗ, ਉੱਚ-ਡੈਂਸਿਟੀ ਕੰਪਿਊਟਿੰਗ ਵਾਤਾਵਰਣਾਂ ਦੀ ਤੈਅਤ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੇ ਹਨ। ਆਧੁਨਿਕ AI ਵਰਕਲੋਡਸ ਦੇ ਭਾਰੀ ਪਾਵਰ ਡਰਾਅ ਦੁਆਰਾ ਪੈਦਾ ਹੋਈ ਗਰਮੀ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਇਹ ਅੰਤਰ-ਉਦਯੋਗ ਗਿਆਨ ਤਬਾਦਲਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।

AI-ਡਰਾਈਵਨ ਖੋਜ ਨਾਲ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ

ਮਟੀਰੀਅਲ ਸਾਇੰਸ ਦਾ ਰਵਾਇਤੀ ਚੱਕਰ—ਪਰਿਕਲਪਨਾ (hypothesis), ਸੰਲੇਸ਼ਣ (synthesis), ਟੈਸਟਿੰਗ, ਅਤੇ ਦੁਹਰਾਓ (iteration)—ਬਹੁਤ ਹੌਲੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਅਕਸਰ ਇੱਕ ਨਵੇਂ ਮਟੀਰੀਅਲ ਨੂੰ ਉਦਯੋਗਿਕ ਵਰਤੋਂ ਲਈ ਯੋਗ ਬਣਾਉਣ ਵਿੱਚ ਸਾਲ ਲੱਗ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਉਦਯੋਗ ਹੁਣ ਇੱਕ ਅਜਿਹੇ ਦੌਰ ਵਿੱਚ ਦਾਖਲ ਹੋ ਰਿਹਾ ਹੈ ਜਿੱਥੇ AI ਦੀ ਵਰਤੋਂ ਉਸੇ ਹਾਰਡਵੇਅਰ ਨੂੰ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ ਜਿਸ 'ਤੇ ਇਹ ਚੱਲਦਾ ਹੈ।

ਡਿਜੀਟਲ ਟੂਲਸ ਇੱਕ ਵੀ ਭੌਤਿਕ ਪ੍ਰਯੋਗ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਉਮੀਦ ਭਰਪੂਰ ਮੌਲੀਕਿਊਲਰ ਉਮੀਦਵਾਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਕੇ ਖੋਜ ਦੇ ਪੜਾਅ ਨੂੰ ਕਾਫ਼ੀ ਛੋਟਾ ਕਰ ਰਹੇ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, Syensqo ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਹੀਟ ਟ੍ਰਾਂਸਫਰ ਫਲੂਇਡਸ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ Microsoft Discovery ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ। ਵਿਗਿਆਨਕ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ AI ਦਾ ਇਹ ਇੱਕਤਾ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਟ੍ਰਾਇਲ-ਐਂਡ-ਐਰਰ (trial-and-error) 'ਤੇ ਘੱਟ ਸਮਾਂ ਬਿਤਾਉਣ ਅਤੇ ਗੁੰਝਲਦਾਰ ਇੰਜੀਨੀਅਰਿੰਗ ਰੁਕਾਵਟਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਵਧੇਰੇ ਸਮਾਂ ਬਿਤਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਪੂਰੇ ਹਾਰਡਵੇਅਰ ਵਿਕਾਸ ਚੱਕਰ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਤੇਜ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਮੁੱਖ ਨੁਕਤੇ

• ਮਟੀਰੀਅਲ ਰੁਕਾਵਟਾਂ: AI ਦੀਆਂ ਭੌਤਿਕ ਸੀਮਾਵਾਂ ਵਧਦੇ ਹੀ ਸੈਮੀਕੰਡਕਟਰ ਫੈਬ੍ਰਿਕੇਸ਼ਨ ਅਤੇ ਡਾਟਾ ਸੈਂਟਰ ਕੂਲਿੰਗ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਉੱਨਤ ਮਟੀਰੀਅਲਸ ਦੀ ਸਥਿਰਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ।
• ਅੰਤਰ-ਉਦਯੋਗਿਕ ਸਿਨਰਜੀ: ਥਰਮਲ ਮੈਨੇਜਮੈਂਟ ਅਤੇ ਉੱਚ-ਵੋਲਟੇਜ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਨਵੀਨਤਾਵਾਂ ਇਲੈਕਟ੍ਰਿਕ ਵਾਹਨ ਤਕਨਾਲੋਜੀ ਅਤੇ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿਚਕਾਰਲੇ ਪਾੜੇ ਨੂੰ ਪੂਰ ਰਹੀਆਂ ਹਨ।
• AI-ਤੇਜ਼ ਵਿਗਿਆਨ: Microsoft Discovery ਵਰਗੇ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਵਰਤੋਂ ਮਟੀਰੀਅਲ ਸਾਇੰਸ ਨੂੰ ਇੱਕ ਹੌਲੀ, ਦੁਹਰਾਓ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਇੱਕ ਤੇਜ਼, AI-ਡਰਾਈਵਨ ਖੋਜ ਮਾਡਲ ਵਿੱਚ ਬਦਲ ਰਹੀ ਹੈ।