Argonne-ன் புதிய AI கருவிப் பொருள் அறிவியலில் நிகழ்நேரப் பகுப்பாய்வை வழங்குகிறது

Argonne National Laboratory, DONUT என்ற இயற்பியல் சார்ந்த நரம்பியல் வலையமைப்பை (physics-aware neural network) அறிமுகப்படுத்தியுள்ளது. இது எக்ஸ்ரே (X-ray) பகுப்பாய்வை உடனடியாக வழங்குகிறது, இதன் மூலம் பொருள் அறிவியல் சோதனைகளுக்குப் பிறகு பாரம்பரியமாகத் தொடரும் வாரக்கணக்கிலான காத்திருப்பைக் குறைக்கிறது. பெரும்பாலான AI மாதிரிகளுக்குத் தேவைப்படும் மிகப்பெரிய லேபிளிடப்பட்ட தரவுத் தொகுப்புகள் (labeled datasets) இன்றி இந்த அமைப்பு செயல்படுகிறது, இது வேகமான மற்றும் அதிகத் தன்னாட்சி கொண்ட ஆராய்ச்சிக்கான கதவைத் திறக்கிறது.

நிகழ்நேரம் ஏன் முக்கியமானது

வழக்கமான பீம்-லைன் (beam-line) சோதனைகளில், விஞ்ஞானிகள் எக்ஸ்ரே விளிம்பு விளைவுத் தரவுகளைச் (X-ray diffraction data) சேகரித்து, பின்னர் ஒரு பொருளின் கட்டமைப்பைக் கண்டறிய அதைச் செயலாக்க வாரக்கணக்கிலோ அல்லது மாதக்கணக்கிலோ செலவிடுகிறார்கள். அந்தத் தாமதம், ஆராய்ச்சியாளர்களை ஒரு சோதனையை மீண்டும் வடிவமைக்கவோ அல்லது அளவீட்டின் போது மட்டுமே நிகழும் தற்காலிக நிகழ்வுகளை (transient phenomena) தவறவிடவோ கட்டாயப்படுத்தலாம். DONUT தரவுகள் பதிவு செய்யப்படும்போதே அவற்றைச் பாயச் (stream) செய்கிறது, இதனால் ஆராய்ச்சியாளர்கள் ஒரு மாதிரி சோதனையின் போது மாறினால் உடனடியாகச் செயல்பட உடனடித் தகவலை வழங்குகிறது.

DONUT எவ்வாறு தரவு லேபிளிங்கைத் தவிர்க்கிறது

வழக்கமான டீப்-லேர்னிங் (deep-learning) கருவிகள் மேற்பார்வையிடப்பட்ட பயிற்சியை (supervised training) நம்பியுள்ளன: அதாவது ஒவ்வொரு எக்ஸ்ரே அமைப்பும் ஒரு தெரிந்த கட்டமைப்போடு ஒப்பிடப்படும் ஆயிரக்கணக்கான உதாரணங்கள் தேவைப்படும். அத்தகைய நூலகங்களை உருவாக்குவது அதிக உழைப்பு தேவைப்படுபவை மற்றும் புதிய அல்லது சிக்கலான பொருட்களுக்கு பெரும்பாலும் சாத்தியமற்றது. DONUT மேற்பார்வையற்ற முறையில் (unsupervised) கற்றுக்கொள்கிறது, எக்ஸ்ரே தொடர்புகளைக் கட்டுப்படுத்தும் இயற்பியல் விதிகளை நேரடியாக அதன் கட்டமைப்பிலேயே இணைக்கிறது. அந்தத் தடைகளைத் தன்னுள் உள்வாங்கிக் கொள்வதன் மூலம், முன்கூட்டியே லேபிளிடப்பட்ட உதாரணங்களைப் பார்க்காமலேயே இந்த நரம்பியல் வலையமைப்பு கட்டமைப்பைப் பற்றிய தகவல்களைக் கண்டறிகிறது.

ஆராய்ச்சியில் ஏற்படக்கூடிய தாக்கம்

  • முடுக்கப்பட்ட கண்டுபிடிப்பு – இதன் வேகம் ஆராய்ச்சியாளர்கள் பேட்டரிகள், வேதியியல் வினையூக்கிகள் மற்றும் மின்னணு கூறுகளை விரைவாக ஆய்வு செய்ய அனுமதிக்கிறது.
  • அதிகப்படியான அணுகல்தன்மை – விளிம்பு விளைவுப் பகுப்பாய்வில் (diffraction analysis) ஆழமான நிபுணத்துவம் இல்லாத பயனர்களும் சோதனைகளைச் செய்து பயனுள்ள முடிவுகளைப் பெற முடியும், இது வளர்ந்து வரும் ஆய்வகங்களுக்கான நுழைவுத் தடையைக் குறைக்கிறது.
  • தகவமைப்புச் சோதனைகள் – இந்த மாதிரி சமீபத்திய அளவீடுகளுடன் தன்னைத்தானே புதுப்பித்துக் கொள்வதால், இது சோதனைகளைத் தன்னாட்சிப் (autonomy) பாதையை நோக்கித் தள்ளுகிறது.

சுருக்கம்

AI-இல் இயற்பியலை இணைப்பதன் மூலம் தரவு-லேபிளிங் முட்டுக்கட்டையைத் தவிர்க்க முடியும் என்பதையும், எக்ஸ்ரே சோதனைகளை ஒரு மெதுவான, பின்-செயலாக்கச் சுமையிலிருந்து ஒரு ஊடாடும், உடனடித் தேடல் செயல்முறையாக மாற்ற முடியும் என்பதையும் DONUT காட்டுகிறது.