మానవత్వం యొక్క కొన్ని అతిపెద్ద సవాళ్లను పరిష్కరించడానికి కొత్త పదార్థాల ఆవిష్కరణ కీలకం. అయితే, ద్వారా హైలైట్ మైక్రోసాఫ్ట్కొత్త పదార్థాలను కనుగొనే సాంప్రదాయ పద్ధతులు “గడ్డివాములో సూదిని కనుగొనడం” లాగా అనిపించవచ్చు.
చారిత్రాత్మకంగా, కొత్త పదార్థాలను కనుగొనడం శ్రమతో కూడుకున్న మరియు ఖరీదైన ట్రయల్-అండ్-ఎర్రర్ ప్రయోగాలపై ఆధారపడింది. ఇటీవల, విస్తారమైన మెటీరియల్స్ డేటాబేస్ల గణన స్క్రీనింగ్ ప్రక్రియను వేగవంతం చేయడంలో సహాయపడింది, అయితే ఇది సమయం తీసుకునే ప్రక్రియగా మిగిలిపోయింది.
ఇప్పుడు, మైక్రోసాఫ్ట్ నుండి శక్తివంతమైన కొత్త ఉత్పాదక AI సాధనం ఈ ప్రక్రియను గణనీయంగా వేగవంతం చేస్తుంది. MatterGen గా పిలువబడే ఈ సాధనం సాంప్రదాయ స్క్రీనింగ్ పద్ధతులకు దూరంగా ఉంటుంది మరియు బదులుగా డిజైన్ అవసరాల ఆధారంగా నవల మెటీరియల్లను నేరుగా ఇంజనీర్ చేస్తుంది, మెటీరియల్ల ఆవిష్కరణకు గేమ్-మారుతున్న విధానాన్ని అందిస్తుంది.
లో ఒక పేపర్లో ప్రచురించబడింది ప్రకృతిమైక్రోసాఫ్ట్ మ్యాటర్జెన్ను మెటీరియల్స్ యొక్క 3D జ్యామితిలో పనిచేసే డిఫ్యూజన్ మోడల్గా వివరిస్తుంది. ఇమేజ్ డిఫ్యూజన్ మోడల్ పిక్సెల్ రంగులను ట్వీకింగ్ చేయడం ద్వారా టెక్స్ట్ ప్రాంప్ట్ల నుండి ఇమేజ్లను రూపొందించవచ్చు, MatterGen యాదృచ్ఛిక నిర్మాణాలలో మూలకాలు, స్థానాలు మరియు ఆవర్తన లాటిస్లను మార్చడం ద్వారా మెటీరియల్ స్ట్రక్చర్లను ఉత్పత్తి చేస్తుంది. ఈ బెస్పోక్ ఆర్కిటెక్చర్ ఆవర్తన మరియు 3D ఏర్పాట్లు వంటి మెటీరియల్ సైన్స్ యొక్క ప్రత్యేక డిమాండ్లను నిర్వహించడానికి ప్రత్యేకంగా రూపొందించబడింది.
“MatterGen ఉత్పాదక AI-సహాయక మెటీరియల్స్ డిజైన్ యొక్క కొత్త నమూనాను ప్రారంభిస్తుంది, ఇది తెలిసిన వాటి యొక్క పరిమిత సెట్కు మించి పదార్థాలను సమర్థవంతంగా అన్వేషించడానికి అనుమతిస్తుంది” అని మైక్రోసాఫ్ట్ వివరిస్తుంది.
స్క్రీనింగ్ను మించిన దూకుడు
సాంప్రదాయ గణన పద్ధతులు కావలసిన లక్షణాలతో అభ్యర్థులను గుర్తించడానికి సంభావ్య పదార్థాల యొక్క అపారమైన డేటాబేస్లను పరీక్షించడాన్ని కలిగి ఉంటాయి. అయినప్పటికీ, ఈ పద్ధతులు కూడా తెలియని పదార్థాల విశ్వాన్ని అన్వేషించే వారి సామర్థ్యంలో పరిమితం చేయబడ్డాయి మరియు ఆశాజనక అభ్యర్థులను కనుగొనే ముందు పరిశోధకులు మిలియన్ల కొద్దీ ఎంపికలను జల్లెడ పట్టవలసి ఉంటుంది.
దీనికి విరుద్ధంగా, MatterGen మొదటి నుండి మొదలవుతుంది-కెమిస్ట్రీ, మెకానికల్ లక్షణాలు, ఎలక్ట్రానిక్ లక్షణాలు, అయస్కాంత ప్రవర్తన లేదా ఈ పరిమితుల కలయికల గురించి నిర్దిష్ట ప్రాంప్ట్ల ఆధారంగా పదార్థాలను ఉత్పత్తి చేస్తుంది. మెటీరియల్స్ ప్రాజెక్ట్ మరియు అలెగ్జాండ్రియా డేటాబేస్ల నుండి సంకలనం చేయబడిన 608,000 స్థిరమైన పదార్థాలను ఉపయోగించి మోడల్ శిక్షణ పొందింది.
దిగువ పోలికలో, నిర్దిష్ట లక్షణాలతో-ప్రత్యేకంగా 400 GPa కంటే ఎక్కువ బల్క్ మాడ్యులస్తో నవల మెటీరియల్లను రూపొందించడంలో MatterGen సాంప్రదాయ స్క్రీనింగ్ పద్ధతులను గణనీయంగా అధిగమించింది, అంటే వాటిని కుదించడం కష్టం.
స్క్రీనింగ్ దాని తెలిసిన అభ్యర్థుల సమూహం అయిపోయినందున కాలక్రమేణా తగ్గుతున్న రాబడిని ప్రదర్శిస్తుండగా, MatterGen కొత్త ఫలితాలను ఉత్పత్తి చేయడం కొనసాగించింది.
పదార్థాల సంశ్లేషణ సమయంలో ఎదురయ్యే ఒక సాధారణ సవాలు కంపోజిషనల్ డిజార్డర్-ఒక క్రిస్టల్ లాటిస్లో అణువులు యాదృచ్ఛికంగా స్థానాలను మార్చుకునే దృగ్విషయం. “నిజంగా నవల” మెటీరియల్గా ఏది పరిగణించబడుతుందో నిర్ణయించేటప్పుడు సాంప్రదాయ అల్గారిథమ్లు తరచుగా సారూప్య నిర్మాణాల మధ్య తేడాను గుర్తించడంలో విఫలమవుతాయి.
దీనిని పరిష్కరించడానికి, మైక్రోసాఫ్ట్ ఒక కొత్త స్ట్రక్చర్-మ్యాచింగ్ అల్గారిథమ్ను రూపొందించింది, ఇది దాని మూల్యాంకనాల్లో కూర్పు రుగ్మతను కలుపుతుంది. సాధనం రెండు నిర్మాణాలు కేవలం ఒకే అంతర్లీన అస్తవ్యస్తమైన నిర్మాణం యొక్క ఉజ్జాయింపులను ఆదేశించాయో లేదో గుర్తిస్తుంది, కొత్తదనం యొక్క మరింత బలమైన నిర్వచనాలను అనుమతిస్తుంది.
మెటీరియల్ డిస్కవరీ కోసం మ్యాటర్జెన్ని నిరూపించడం పని చేస్తుంది
MatterGen యొక్క సామర్థ్యాన్ని నిరూపించడానికి, మైక్రోసాఫ్ట్ AI చే రూపొందించబడిన ఒక నవల మెటీరియల్ను ప్రయోగాత్మకంగా సంశ్లేషణ చేయడానికి – చైనీస్ అకాడమీ ఆఫ్ సైన్సెస్లో భాగమైన షెన్జెన్ ఇన్స్టిట్యూట్స్ ఆఫ్ అడ్వాన్స్డ్ టెక్నాలజీ (SIAT) పరిశోధకులతో కలిసి పనిచేసింది.
మెటీరియల్, TaCr₂O₆, 200 GPa యొక్క బల్క్ మాడ్యులస్ లక్ష్యాన్ని చేరుకోవడానికి MatterGen ద్వారా రూపొందించబడింది. ప్రయోగాత్మక ఫలితం 169 GPa యొక్క మాడ్యులస్ను కొలిచే లక్ష్యం కంటే కొంచెం తక్కువగా ఉన్నప్పటికీ, సాపేక్ష లోపం కేవలం 20% మాత్రమే – ప్రయోగాత్మక దృక్కోణం నుండి ఒక చిన్న వ్యత్యాసం.
ఆసక్తికరంగా, తుది పదార్థం Ta మరియు Cr పరమాణువుల మధ్య కూర్పు రుగ్మతను ప్రదర్శించింది, అయితే దాని నిర్మాణం మోడల్ యొక్క అంచనాకు దగ్గరగా ఉంటుంది. ఈ స్థాయి ప్రిడిక్టివ్ ఖచ్చితత్వాన్ని ఇతర డొమైన్లకు అనువదించగలిగితే, బ్యాటరీలు, ఇంధన కణాలు, అయస్కాంతాలు మరియు మరిన్నింటి కోసం మెటీరియల్ డిజైన్లపై MatterGen తీవ్ర ప్రభావం చూపుతుంది.
మైక్రోసాఫ్ట్ మ్యాటర్జెన్ని దాని మునుపటి AI మోడల్కు పరిపూరకరమైన సాధనంగా ఉంచింది, మేటర్సిమ్ఇది పదార్థ లక్షణాల అనుకరణలను వేగవంతం చేస్తుంది. కలిసి, టూల్స్ ఒక సాంకేతిక “ఫ్లైవీల్” వలె పని చేయగలవు, కొత్త పదార్థాల అన్వేషణ మరియు పునరుక్తి లూప్లలో వాటి లక్షణాల అనుకరణ రెండింటినీ మెరుగుపరుస్తాయి.
ఈ విధానం మైక్రోసాఫ్ట్ “శాస్త్రీయ ఆవిష్కరణ యొక్క ఐదవ నమూనా”గా సూచించే దానితో సమలేఖనం చేస్తుంది, దీనిలో AI ప్రయోగాలు మరియు అనుకరణలను చురుకుగా మార్గనిర్దేశం చేయడానికి నమూనా గుర్తింపును దాటి కదులుతుంది.
మైక్రోసాఫ్ట్ మేటర్జెన్లను విడుదల చేసింది సోర్స్ కోడ్ MIT లైసెన్స్ కింద. కోడ్తో పాటు, బృందం మరింత పరిశోధనకు మద్దతు ఇవ్వడానికి మరియు ఈ సాంకేతికతను విస్తృతంగా స్వీకరించడానికి ప్రోత్సహించడానికి మోడల్ శిక్షణ మరియు ఫైన్-ట్యూనింగ్ డేటాసెట్లను అందుబాటులోకి తెచ్చింది.
ఉత్పాదక AI యొక్క విస్తృత శాస్త్రీయ సామర్థ్యాన్ని ప్రతిబింబిస్తూ, మైక్రోసాఫ్ట్ ఔషధ ఆవిష్కరణకు సమాంతరాలను చూపుతుంది, అటువంటి సాధనాలు పరిశోధకులు ఔషధాలను రూపొందించే మరియు అభివృద్ధి చేసే విధానాన్ని ఇప్పటికే మార్చడం ప్రారంభించాయి. అదేవిధంగా, MatterGen మనం మెటీరియల్స్ డిజైన్ను చేరుకునే విధానాన్ని, ముఖ్యంగా పునరుత్పాదక శక్తి, ఎలక్ట్రానిక్స్ మరియు ఏరోస్పేస్ ఇంజనీరింగ్ వంటి క్లిష్టమైన డొమైన్ల కోసం రీషేప్ చేయగలదు.
(చిత్ర క్రెడిట్: మైక్రోసాఫ్ట్)
ఇవి కూడా చూడండి: L’Oréal: ఉత్పాదక AIతో సౌందర్య సాధనాలను నిలకడగా మార్చడం
పరిశ్రమ ప్రముఖుల నుండి AI మరియు పెద్ద డేటా గురించి మరింత తెలుసుకోవాలనుకుంటున్నారా? తనిఖీ చేయండి AI & బిగ్ డేటా ఎక్స్పో ఆమ్స్టర్డామ్, కాలిఫోర్నియా మరియు లండన్లో జరుగుతున్నాయి. సమగ్ర ఈవెంట్తో సహా ఇతర ప్రముఖ ఈవెంట్లతో కలిసి ఉంది ఇంటెలిజెంట్ ఆటోమేషన్ కాన్ఫరెన్స్, బ్లాక్ ఎక్స్, డిజిటల్ ట్రాన్స్ఫర్మేషన్ వీక్మరియు సైబర్ సెక్యూరిటీ & క్లౌడ్ ఎక్స్పో.
TechForge ద్వారా అందించబడే ఇతర రాబోయే ఎంటర్ప్రైజ్ టెక్నాలజీ ఈవెంట్లు మరియు వెబ్నార్లను అన్వేషించండి ఇక్కడ.
