அல்காரிதம்களைத் தாண்டி: பொருள் அறிவியல் எவ்வாறு AI-ன் எல்லைகளைத் தீர்மானிக்கிறது

AI குறித்த விவாதங்கள் பெரும்பாலும் பிரம்மாண்டமான LLM-கள் மற்றும் GPU கிளஸ்டர்களைப் பற்றியே கவனம் செலுத்தினாலும், அடுத்த தலைமுறை நுண்ணறிவிற்கான உண்மையான தடையானது (bottleneck) இயற்பியல் ரீதியான தளத்தை நோக்கி மாறி வருகிறது. AI பணிச்சுரைகள் (workloads) முன்னெப்போதும் இல்லாத அளவிலான செயலாக்கத் திறன் மற்றும் ஆற்றல் திறனைக் கோரும் நிலையில், கணினித் துறையில் தொழில்நுட்ப ரீதியாக எதெல்லாம் சாத்தியம் என்பதைத் தீர்மானிக்கும் முதன்மை வடிவமைப்பாளர்களாக மேம்பட்ட பொருட்கள் (advanced materials) மாறி வருகின்றன.

குறைக்கடத்தி தயாரிப்பு சவாலைத் தீர்த்தல்

நவீன குறைக்கடத்தி (semiconductor) சிப்களின் உற்பத்தி என்பது ஆயிரக்கணக்கான நுணுக்கமான கட்டுப்பாட்டு நிலைகளைக் கொண்ட ஒரு சவாலான சூழலாகும். இந்தச் சூழலில், வெப்பநிலையில் ஏற்படும் மிகச்சிறிய மாற்றங்கள் அல்லது வேதியியல் நிலையற்ற தன்மை கூட குறைபாடுகளை ஏற்படுத்தி, உற்பத்தியைக் குறைப்பதோடு செலவுகளையும் பெருமளவில் அதிகரிக்கக்கூடும். போட்டியில் முன்னணியில் இருக்க, உற்பத்தியாளர்கள் அதிக தூய்மை மற்றும் கடுமையான வேதியியல் மற்றும் பிளாஸ்மா சூழல்களைத் தாங்கும் திறன் கொண்ட மேம்பட்ட பாலிமர்கள் (polymers), எலாஸ்டோமர்கள் (elastomers) மற்றும் சிறப்பு திரவங்களை (specialty fluids) நோக்கித் திரும்புகின்றனர்.

இந்த பொருட்கள் வெறும் துணைப் பொருட்கள் மட்டுமல்ல; அடுத்த தலைமுறை சிப்களுக்குத் தேவையான கூடுதல் நிலைத்தன்மையை உறுதி செய்ய இவை அவசியமானவை. உதாரணமாக, குறைக்கடத்தி உற்பத்தி உபகரணங்களை முத்திரையிட (sealing) perfluoroelastomers மிக முக்கியமானவை, ஏனெனில் அவை தீவிர வெப்பநிலை மற்றும் ஆக்ரோஷமான வினைபுரியும் வேதிப்பொருட்களைத் தாங்க வேண்டும். Syensqo போன்ற நிறுவனங்கள் இப்போது fluorosurfactant-free உற்பத்தி முறைகள் மூலம் இந்த பொருட்களைப் புதுமை செய்து வருகின்றன, இதன் மூலம் உயர் செயல்திறன் கொண்ட தொழில்நுட்பத் தேவைகளும், நிலையான உற்பத்தி முறைகளும் இணைந்து செயல்பட முடியும் என்பதை நிரூபித்து வருகின்றன.

வெப்ப மேலாண்மை மற்றும் தரவு மையக் கட்டமைப்பு

AI கணினி அடர்த்தி அதிகரிக்கும் போது, ஹைப்பர்ஸ்கேல் (hyperscale) தரவு மையங்களின் இயற்பியல் கட்டமைப்பு ஒரு தீவிர மாற்றத்திற்கு உள்ளாகிறது. அதிகப்படியான மின் ஆற்றல் அடர்த்தி காரணமாக, கணினித் தோல்வியைத் தவிர்க்க மிகவும் நுணுக்கமான வெப்ப மேலாண்மை மற்றும் உயர் மின்னழுத்த மின் கட்டமைப்புகள் தேவைப்படுகின்றன. இந்த மாற்றம் வாகனத் துறை மற்றும் AI துறைகளுக்கு இடையே ஒரு இணைப்பை உருவாக்குகிறது.

AI சேவையகங்கள் எதிர்கொள்ளும் பொறியியல் சவால்கள்—உதாரணமாக, திறமையான திரவக் குளிர்ச்சி (liquid cooling) தேவைப்படுவது போன்ற விஷயங்கள்—மின்சார வாகனங்களில் (EVs) காணப்படும் சவால்களைப் போலவே உள்ளன. வாகனங்களின் கூலண்ட் (coolant) அமைப்புகளில் உள்ள திரவச் சுழற்சி நிபுணத்துவத்தை AI சேவையகங்களுக்கான நேரடி திரவக் குளிர்ச்சி வடிவமைப்புகளுக்குப் பயன்படுத்துவதன் மூலம், ஆராய்ச்சியாளர்கள் நம்பகமான, அதிக அடர்த்தி கொண்ட கணினிச் சூழல்களை விரைவாக உருவாக்க முடியும். நவீன AI பணிச்சுரைகளின் மிகப்பெரிய மின் நுகர்வால் உருவாகும் வெப்பத்தைக் கட்டுப்படுத்த, இந்தத் துறை சார்ந்த அறிவுப் பரிமாற்றம் மிகவும் அவசியமானது.

AI சார்ந்த ஆராய்ச்சியின் மூலம் கண்டுபிடிப்புகளை விரைவுபடுத்துதல்

பொருள் அறிவியலின் பாரம்பரியச் சுழற்சியான—கருதுகோள் (hypothesis), தொகுப்பு (synthesis), சோதனை மற்றும் மறுமுறைச் சரிபார்ப்பு (iteration)—மிகவும் மெதுவானது; ஒரு புதிய பொருள் தொழில்துறை பயன்பாட்டிற்குத் தகுதி பெறுவதற்குப் பல ஆண்டுகள் ஆகலாம். இருப்பினும், தற்போது இந்தத் துறை ஒரு புதிய யுகத்திற்குள் நுழைகிறது, அங்கு AI தான் இயங்கும் வன்பொருளையே (hardware) உருவாக்கப் பயன்படுத்தப்படுகிறது.

ஒரு நேரடிப் பரிசோதனை செய்வதற்கு முன்பே, நம்பிக்கைக்குரிய மூலக்கூறுத் தேர்வுகளைக் கண்டறிய ஆராய்ச்சியாளர்களுக்கு உதவுவதன் மூலம் டிஜிட்டல் கருவிகள் கண்டுபிடிப்புப் Phase-ஐ கணிசமாகக் குறைக்கின்றன. உதாரணமாக, Syensqo நிறுவனம் அடுத்த தலைமுறை வெப்பப் பரிமாற்ற திரவங்களைக் கண்டறிய Microsoft Discovery தளத்தைப் பயன்படுத்தி AI-ன் உதவியைப் பெறுகிறது. அறிவியல் செயல்முறையில் AI-ஐ ஒருங்கிணைப்பதன் மூலம், ஆராய்ச்சியாளர்கள் சோதனையும் பிழையும் (trial-and-error) செய்வதில் குறைவான நேரத்தையும், சிக்கலான பொறியியல் தடைகளைத் தீர்ப்பதில் அதிக நேரத்தையும் செலவிட முடிகிறது, இது வன்பொருள் பரிணாமச் சுழற்சியையே விரைவுபடுத்துகிறது.

முக்கியக் குறிப்புகள்

• பொருள் தடைகள் (Material Bottlenecks): குறைக்கடத்தி தயாரிப்பு மற்றும் தரவு மையக் குளிர்ச்சியில் பயன்படுத்தப்படும் மேம்பட்ட பொருட்களின் நிலைத்தன்மை மற்றும் தூய்மையே AI-ன் இயற்பியல் எல்லைகளைத் தீர்மானிக்கின்றன.
• துறைகளுக்கு இடையிலான ஒருங்கிணைப்பு (Cross-Industry Synergy): வெப்ப மேலாண்மை மற்றும் உயர் மின்னழுத்த கட்டமைப்புகளில் ஏற்படும் கண்டுபிடிப்புகள், மின்சார வாகனத் தொழில்நுட்பத்திற்கும் AI உள்கட்டமைப்பிற்கும் இடையிலான இடைவெளியைக் குறைக்கின்றன.
• AI-ஆல் விரைவுபடுத்தப்பட்ட அறிவியல்: Microsoft Discovery போன்ற தளங்களின் பயன்பாடு, பொருள் அறிவியலை ஒரு மெதுவான, மறுமுறைச் சரிபார்ப்புச் செயல்முறையிலிருந்து, விரைவான, AI-ஆல் இயக்கப்படும் கண்டுபிடிப்பு மாதிரியாக மாற்றுகிறது.