অ্যাপ্লিকেশন গাইড

উপাদান আবিষ্কারে AI

AI ভবিষ্যদ্বাণী করে যে কোন নতুন উপকরণগুলি বিদ্যমান, স্থিতিশীল এবং দরকারী বৈশিষ্ট্য থাকতে পারে, সম্ভাব্য যৌগের কাছাকাছি-অসীম স্থানের মাধ্যমে অনুসন্ধানকে নাটকীয়ভাবে সঙ্কুচিত করে।

এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min

এই পৃষ্ঠায়2 মিনিট পঠিত
  1. ওভারভিউ
  2. গভীর ডুব
  3. বাস্তব-বিশ্ব বাস্তবায়ন
  4. উপাদান আবিষ্কারে AI এর ভবিষ্যত
  5. এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
  6. অন্বেষণ চালিয়ে যান
  7. প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

ওভারভিউ

এটি ব্যাটারি, সৌর কোষ, সুপারকন্ডাক্টর এবং অনুঘটকের জন্য গুরুত্বপূর্ণ যেখানে সঠিক উপাদান খুঁজে পেতে কয়েক দশক সময় লাগতে পারে।

গভীর ডুব

AI tools can screen candidate crystals or generate structures under property constraints, but predictions need independent validation. In its 2023 GNoME study, DeepMind reported 381,000 new stable materials and 736 structures independently experimentally verified. MatterGen takes a different generative approach: its diffusion process refines atom types, coordinates, and the periodic lattice, and its paper studies fine-tuning toward property constraints. Computational stability or a generated structure alone does not establish practical synthesizability or useful measured performance.

বাস্তব-বিশ্ব বাস্তবায়ন

DeepMind-এর GNoME কয়েক হাজার নতুন স্থিতিশীল স্ফটিক কাঠামোর ভবিষ্যদ্বাণী করছে এবং পরিচিত উপকরণের ডাটাবেস প্রসারিত করছে

যন্ত্র-শিক্ষিত আন্তঃপরমাণু সম্ভাবনা দ্রুত চলমান, অ্যালয় এবং ইলেক্ট্রোলাইটের জন্য কাছাকাছি-ডিএফটি-নির্ভুলতা আণবিক গতিবিদ্যা

জেনারেটিভ মডেল যেমন ম্যাটারজেন একটি পছন্দসই ব্যান্ড গ্যাপ বা চৌম্বকীয় সম্পত্তিকে লক্ষ্য করে স্ফটিক প্রস্তাব করে

স্ব-ড্রাইভিং ল্যাব (যেমন, এ-ল্যাব) যেখানে AI প্রার্থীদের নির্বাচন করে এবং রোবটগুলি তাদের স্বায়ত্তশাসিতভাবে সংশ্লেষিত এবং বৈশিষ্ট্যযুক্ত করে

উপাদান আবিষ্কারে AI এর ভবিষ্যত

সীমানা লুপ বন্ধ করে দিচ্ছে: উৎপাদিত নকশা প্রস্তাবিত লক্ষ্যবস্তু, AI সংশ্লেষণ রুটের পরিকল্পনা করছে, এবং স্বায়ত্তশাসিত রোবোটিক ল্যাব তৈরি ও পরিমাপ করে ফলাফলগুলি মডেলগুলিতে ফিরে আসছে৷ শুধু থার্মোডাইনামিক স্থিতিশীলতা নয়, সংশ্লেষণযোগ্যতার আরও ভাল পরিচালনার আশা করুন, এছাড়াও মেশিন-শিক্ষিত আন্তঃপরমাণু সম্ভাবনার বৃদ্ধির প্রত্যাশা করুন যা প্রায়-কোয়ান্টাম নির্ভুলতায় আণবিক সিমুলেশন চালায় কিন্তু অনেক বেশি গতিতে, দীর্ঘ এবং বড় পরীক্ষাগুলি আনলক করে।

এটাকে বাস্তবে প্রয়োগ করা হচ্ছে

কেন এটা গুরুত্বপূর্ণ

  • পছন্দগুলি তৈরি করুন. অ্যাপ্লিকেশন-স্তরের নকশা নির্ধারণ করে যে AI বাস্তব ফলাফলগুলিকে উন্নত করে কিনা।
  • টিম এবং ওয়ার্কফ্লো. ভাল ওয়ার্কফ্লো ইন্টিগ্রেশন ব্যবহারকারীদের বিশ্বাস করতে পারে এমন উত্পাদনশীলতা লাভ তৈরি করে।
  • ঝুঁকি এবং নিরাপত্তা. সুপরিসর ব্যবহারের ক্ষেত্রে পরিবর্তনের ক্লান্তি এবং বাস্তবায়নের ঝুঁকি হ্রাস করে।

জন্য সতর্ক

  • একটি ভাঙা প্রক্রিয়া স্বয়ংক্রিয়ভাবে বিদ্যমান সমস্যাগুলিকে প্রসারিত করতে পারে।
  • দলগুলি অতিরিক্ত-স্বয়ংক্রিয় হতে পারে এবং প্রয়োজনীয় মানবিক বিচার অপসারণ করতে পারে।
  • আউটপুট ক্রমাগত মূল্যায়ন না করা হলে গুণমান প্রবাহিত হতে পারে।

পরবর্তী পদক্ষেপ

  1. বর্তমান ওয়ার্কফ্লো ম্যাপ করুন এবং সর্বোচ্চ-ঘর্ষণ ধাপ সনাক্ত করুন।
  2. সম্পূর্ণ অটোমেশনের আগে মানব চেকপয়েন্টগুলি সংজ্ঞায়িত করুন।
  3. ব্যবহারকারীদের প্রম্পট, বৃদ্ধির পথ এবং মানের মান সম্পর্কে প্রশিক্ষণ দিন।
  4. টেকসই মান নিশ্চিত করতে টাস্ক-লেভেল ফলাফল ট্র্যাক করুন।

অন্বেষণ চালিয়ে যান

ফ্রি নিউজলেটার

প্রতিদিনের এআই ব্রিফিং পান

প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।

প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।

নিজেকে পরীক্ষা করুন

Take the AI in Materials Discovery quiz

প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।

কুইজ শুরু করুন

ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

ম্যাটেরিয়ালস ডিসকভারিতে এআই কি?

AI ভবিষ্যদ্বাণী করে যে কোন নতুন উপকরণগুলি বিদ্যমান, স্থিতিশীল এবং দরকারী বৈশিষ্ট্য থাকতে পারে, সম্ভাব্য যৌগের কাছাকাছি-অসীম স্থানের মাধ্যমে অনুসন্ধানকে নাটকীয়ভাবে সঙ্কুচিত করে। এটি ব্যাটারি, সৌর কোষ, সুপারকন্ডাক্টর এবং অনুঘটকের জন্য গুরুত্বপূর্ণ যেখানে সঠিক উপাদান খুঁজে পেতে কয়েক দশক সময় লাগতে পারে।

কিভাবে একটি গ্রাফ নিউরাল নেটওয়ার্ক সাধারণত একটি স্ফটিক প্রতিনিধিত্ব করে?

স্ফটিকগুলি স্বাভাবিকভাবেই গ্রাফ: পরমাণুগুলি নোড এবং আন্তঃপরমাণু বন্ধনগুলি প্রান্ত, যা GNN-কে গঠন-সম্পত্তি সম্পর্ক শিখতে দেয়।

এআই সারোগেটরা প্রায়শই দ্রুত স্ক্রীনিংয়ের জন্য কোন ধীর পদার্থবিজ্ঞানের গণনা প্রতিস্থাপন করে?

DFT সঠিক কিন্তু ব্যয়বহুল; নিউরাল সারোগেট অনেক প্রার্থীকে স্ক্রীন করার জন্য মিলিসেকেন্ডে তার সম্পত্তির পূর্বাভাস আনুমানিক করে।

2023 সালে DeepMind এর GNoME কি অবদান রেখেছে?

GNoME বিপুল সংখ্যক নতুন স্থিতিশীল স্ফটিকের ভবিষ্যদ্বাণী করেছে, প্রার্থীর উপকরণের ডেটাবেসগুলি উল্লেখযোগ্যভাবে প্রসারিত করছে।

কেন উপকরণ মডেলে ঘূর্ণন এবং অনুবাদমূলক পরিবর্তন গুরুত্বপূর্ণ?

আপনি যদি পরমাণু ঘোরান, সরান বা রিলেবল করেন তাহলে ভৌত বৈশিষ্ট্য পরিবর্তন করা উচিত নয়; এই প্রতিসাম্য তৈরি করা সঠিকতা এবং ডেটা দক্ষতা উন্নত করে।

উপকরণ আবিষ্কার একটি 'স্ব-ড্রাইভিং ল্যাব' কি?

স্বায়ত্তশাসিত ল্যাবগুলি লুপ বন্ধ করে: AI উপকরণগুলি প্রস্তাব করে এবং রোবোটিক সিস্টেমগুলি সেগুলি তৈরি করে এবং বৈশিষ্ট্যযুক্ত করে, ফলাফলগুলিকে মডেলগুলিতে ফিরিয়ে দেয়৷

শিখতে থাকুন

সম্পর্কিত গাইড

এই বিষয়ের জন্য বাছাই করা আরও গাইড

একটি বিনামূল্যে AI শংসাপত্র পানএকটি সংক্ষিপ্ত বিনামূল্যে কোর্স এবং পরীক্ষা. কোনো খরচ নেই, কোনো কার্ড নেই। প্রায় 2.5 ঘন্টা।বিনামূল্যে শুরু করুন →