مواد کی دریافت میں AI
AI پیش گوئی کرتا ہے کہ کون سا نیا مواد موجود ہو سکتا ہے، مستحکم ہو سکتا ہے، اور مفید خصوصیات رکھتا ہے، ممکنہ مرکبات کی قریب لامحدود جگہ کے ذریعے تلاش کو ڈرامائی طور پر سکڑتا ہے۔
جائزہ
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
گہرا غوطہ
روایتی طور پر، ایک نئے مواد کی دریافت کا مطلب سست آزمائش اور غلطی کی ترکیب یا مہنگی کوانٹم مکینیکل تخروپن ہے۔ AI دونوں سروں کو تیز کرتا ہے۔ گراف نیورل نیٹ ورک ایک کرسٹل کو بطور ایٹم (نوڈس) اور بانڈز (کناروں) کی نمائندگی کرتے ہیں اور کثافت فنکشنل تھیوری کے گھنٹوں کے بجائے ملی سیکنڈ میں تشکیل توانائی، بینڈ گیپ، یا چالکتا جیسی خصوصیات کی پیش گوئی کرنا سیکھتے ہیں۔ جنریٹو ماڈل مکمل طور پر نئے امیدواروں کے ڈھانچے کی تجویز کرتے ہیں، اور AI ان میں سے لاکھوں کی اسکرین کرتا ہے تاکہ لیب میں بنانے کے قابل چند کو نشان زد کیا جاسکے۔ 2023 میں ڈیپ مائنڈ کے GNoME نے ہزاروں کی تعداد میں پیش گوئی شدہ مستحکم کرسٹل کی اطلاع دی، اور Microsoft کے MatterGen نے مطلوبہ خصوصیات پر مشروط ڈھانچے پیدا کرنے کا مظاہرہ کیا۔ تیزی سے یہ ماڈل خود ڈرائیونگ لیبز کو کھانا کھلاتے ہیں، جہاں روبوٹ خود بخود اعلی امیدواروں کی ترکیب اور جانچ کرتے ہیں۔
تکنیکی بصیرت
کرسٹل پراپرٹی ماڈل جیسے گراف نیٹ ورک طبیعیات کی ہم آہنگی کا احترام کرتے ہیں: وہ ایٹموں کا ترجمہ کرنے، گھومنے، یا دوبارہ منسلک کرنے کے مترادف ہیں، جو پیشین گوئیوں کو جسمانی طور پر مستقل اور ڈیٹا کے لحاظ سے موثر بناتا ہے۔ ایک عام پائپ لائن لاکھوں امیدواروں کی درجہ بندی کے لیے ایک تیز نیورل سروگیٹ کا استعمال کرتی ہے، پھر کثافت کے فنکشنل تھیوری کے ساتھ بہترین کی توثیق کرتی ہے، اور آخر میں مٹھی بھر کی ترکیب کرتی ہے۔ آخر میں سخت طبیعیات کی جانچ پڑتال کرتے ہوئے یہ فنل ایک ناقابل تلاش تلاش کو ایک قابل شارٹ لسٹ میں بدل دیتا ہے۔
اسٹریٹجک اثر
Build choices
ایپلیکیشن لیول ڈیزائن اس بات کا تعین کرتا ہے کہ آیا AI حقیقی نتائج کو بہتر بناتا ہے۔
Team and workflow
اچھا ورک فلو انضمام پیداواری صلاحیت پیدا کرتا ہے جس پر صارفین بھروسہ کر سکتے ہیں۔
خطرہ اور حفاظت
اچھی طرح سے دائرہ کار کے استعمال کے معاملات تبدیلی کی تھکاوٹ اور نفاذ کے خطرے کو کم کرتے ہیں۔
مواد کی دریافت میں AI کا مستقبل
فرنٹیئر لوپ کو بند کر رہا ہے: جنریٹو ڈیزائن جو ہدف شدہ مواد کی تجویز کرتا ہے، AI ترکیب کے راستے کی منصوبہ بندی کرتا ہے، اور خود مختار روبوٹک لیبز بنانے اور ان کی پیمائش کرنے والے نتائج کے ساتھ ماڈلز میں واپس آتے ہیں۔ ترکیب سازی کے بہتر ہینڈلنگ کی توقع کریں، نہ صرف تھرموڈینامک استحکام، نیز مشین سے سیکھے ہوئے انٹرااٹامک پوٹینشلز میں اضافہ جو مالیکیولر سمیولیشن کو قریب قریب کوانٹم درستگی پر چلاتے ہیں لیکن بہت زیادہ رفتار سے، طویل اور بڑے تجربات کو کھولتے ہیں۔
حقیقی دنیا کا نفاذ
ڈیپ مائنڈ کا GNoME سیکڑوں ہزاروں نئے مستحکم کرسٹل ڈھانچے کی پیش گوئی کرتا ہے اور معلوم مواد کے ڈیٹا بیس کو بڑھا رہا ہے۔
مشین سے سیکھی ہوئی انٹرااٹامک پوٹینشلز تیزی سے چل رہی ہیں، اللوائیز اور الیکٹرولائٹس کے لیے قریب قریب DFT- درستگی مالیکیولر ڈائنامکس
جنریٹیو ماڈلز جیسے MatterGen تجویز کردہ کرسٹل مطلوبہ بینڈ گیپ یا مقناطیسی خاصیت کو نشانہ بناتے ہیں۔
سیلف ڈرائیونگ لیبز (مثال کے طور پر، A-Lab) جہاں AI امیدواروں کا انتخاب کرتا ہے اور روبوٹ خود مختاری سے ان کی ترکیب اور خصوصیات بناتے ہیں
خطرات اور گارڈریلز
ٹوٹے ہوئے عمل کو خودکار کرنا موجودہ مسائل کو بڑھا سکتا ہے۔
ٹیمیں ضرورت سے زیادہ انسانی فیصلے کو خودکار اور ہٹا سکتی ہیں۔
اگر آؤٹ پٹس کا مسلسل جائزہ نہ لیا جائے تو معیار بڑھ سکتا ہے۔
نفاذ کا روڈ میپ
موجودہ ورک فلو کا نقشہ بنائیں اور سب سے زیادہ رگڑ والے مرحلے کی نشاندہی کریں۔
مکمل آٹومیشن سے پہلے انسانی چوکیوں کی وضاحت کریں۔
صارفین کو اشارے، ترقی کے راستے، اور معیار کے معیار پر تربیت دیں۔
پائیدار قدر کی تصدیق کے لیے ٹاسک لیول کے نتائج کو ٹریک کریں۔
دریافت کرتے رہیں
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Materials Discovery quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
اگلا گائیڈ
آئسومورفک لیبز ڈرگ ڈسکوری
اکثر پوچھے گئے سوالات
What is AI in Materials Discovery?
AI پیش گوئی کرتا ہے کہ کون سا نیا مواد موجود ہو سکتا ہے، مستحکم ہو سکتا ہے، اور مفید خصوصیات رکھتا ہے، ممکنہ مرکبات کی قریب لامحدود جگہ کے ذریعے تلاش کو ڈرامائی طور پر سکڑتا ہے۔ یہ بیٹریوں، سولر سیلز، سپر کنڈکٹرز اور اتپریرک کے لیے اہمیت رکھتا ہے جہاں صحیح مواد تلاش کرنے میں دہائیاں لگ سکتی ہیں۔
گراف نیورل نیٹ ورک عام طور پر کرسٹل کی نمائندگی کیسے کرتا ہے؟
کرسٹل قدرتی طور پر گراف ہوتے ہیں: ایٹم نوڈس ہوتے ہیں اور انٹراٹومک بانڈز کنارے ہوتے ہیں، جو GNNs کو ساخت اور جائیداد کے تعلقات کو سیکھنے دیتے ہیں۔
AI سروگیٹس اکثر تیز اسکریننگ کے لیے کس سست طبیعیات کا حساب کتاب کرتے ہیں؟
DFT درست لیکن مہنگا ہے؛ نیورل سروگیٹس بہت سے امیدواروں کو اسکرین کرنے کے لیے ملی سیکنڈ میں اس کی جائیداد کی پیشن گوئی کا تخمینہ لگاتے ہیں۔
ڈیپ مائنڈ کے GNoME نے 2023 میں کیا تعاون کیا؟
GNoME نے نئے مستحکم کرسٹل کی ایک بڑی تعداد کی پیش گوئی کی، امیدواروں کے مواد کے ڈیٹا بیس کو کافی حد تک پھیلایا۔
میٹریل ماڈلز میں گردشی اور مترجم کی تبدیلی کیوں اہم ہے؟
اگر آپ ایٹموں کو گھماتے، حرکت دیتے، یا ریبل کرتے ہیں تو جسمانی خصوصیات کو تبدیل نہیں ہونا چاہیے۔ ان ہم آہنگی کی تعمیر درستگی اور ڈیٹا کی کارکردگی کو بہتر بناتی ہے۔
مواد کی دریافت میں 'سیلف ڈرائیونگ لیب' کیا ہے؟
خود مختار لیبز لوپ کو بند کرتی ہیں: AI تجویز کرتا ہے کہ مواد اور روبوٹک سسٹم ان کو بناتے اور ان کی خصوصیات بناتے ہیں، نتائج کو ماڈلز تک پہنچاتے ہیں۔