पदार्थ विज्ञान
AI-संचालित लैब्स के अंदर: सामग्री खोज का नया युग
जैसे कई उद्योगों की संख्या बढ़ रही है, सामग्री विज्ञान भी सहायता प्राप्त कर रहा है कृत्रिम बुद्धिमत्ता (AI) द्वारा।
यहाँ, मशीन लर्निंग (ML) एल्गोरिदम विशाल डेटा सेटों का विश्लेषण करते हैं और पैटर्न पहचानते हैं ताकि न्यूनतम समय में आशाजनक सामग्री उम्मीदवारों का सुझाव दे सकें, जबकि परीक्षण-और-त्रुटि विधियों की तुलना में बहुत कम संसाधनों का उपयोग करते हैं।
परम्परागत मैन्युअल, मानव-प्रधान कार्य जिसे कम्प्यूटेशनल सिस्टम के आगमन से बढ़ाया गया था, जो जटिल गणनाओं की अनुमति देता है, अब AI, सिमुलेशन और प्रयोगात्मक स्वचालन द्वारा संचालित स्वचालित, समानांतर और आवर्ती प्रक्रियाओं द्वारा पूरी तरह से क्रांतिकारी रूप से बदल दिया गया है।
AI प्रौद्योगिकी की परिपक्वता, उच्च-प्रदर्शन कंप्यूटिंग और हाइब्रिड क्लाउड तकनीकों के संयोजन के साथ, सामग्री विज्ञान को एक नई परिप्रेक्ष्य में प्रवेश करने में मदद कर रही है जो नई सामग्रियों की तेज़ खोज, सामग्री गुणों का भविष्यवाणी मॉडलिंग, और स्वायत्त प्रयोगों द्वारा चिह्नित है।
यह परिप्रेक्ष्य परिवर्तन शोधकर्ताओं को परीक्षण-और-त्रुटि दृष्टिकोण से डिजाइन की ओर स्थानांतरित होने में सक्षम बनाता है, जिससे विकास चक्रों में उल्लेखनीय कमी आती है और ऊर्जा, इलेक्ट्रॉनिक्स, स्वास्थ्य देखभाल, और स्थिरता अनुप्रयोगों में उन्नत सामग्रियों का मार्ग प्रशस्त होता है।
हाल ही में, नॉर्थ कैरोलिना स्टेट यूनिवर्सिटी के शोधकर्ताओं ने एक स्व-चालित लैब बनाकर प्रयोगशाला स्वचालन में नई छलांग लगाई और वैज्ञानिकों द्वारा सामग्री की खोज को और तेज़ किया।
स्वचालित लैब पारंपरिक, मैन्युअल विधियों की तुलना में दस गुना अधिक डेटा एकत्र करती है। इस कदम से, शोधकर्ता वास्तविक समय, गतिशील रासायनिक प्रयोग कर सकते हैं, समय और संसाधनों की बचत करते हुए तेज़ प्रगति को सक्षम बनाते हैं।
नई लैब खोजें अब वर्षों में नहीं होंगी; बल्कि, हम एक ऐसे भविष्य की ओर देख रहे हैं जहाँ आविष्कार दिनों में होंगे।
AI-संचालित लैब: वास्तविक समय सीखना, वास्तविक समय खोज के लिए
स्वच्छ ऊर्जा, मानव कल्याण, और स्थिरता में वैश्विक चुनौतियों को पार करने के लिए, उन्नत कार्यात्मक सामग्रियों की तेज़ खोज करना अत्यंत महत्वपूर्ण है। नई सामग्रियों की खोज और संश्लेषण बैटरियों, कंप्यूटर चिप्स, सौर पैनलों और कई अन्य नवाचारी तकनीकों के लिए भी कुंजी हैं।
परिणामस्वरूप, सामग्री त्वरक प्लेटफ़ॉर्म और स्व-चालित प्रयोगशालाओं में बहुत प्रगति हुई है।
प्रगति के बावजूद, इन प्लेटफ़ॉर्म और लैबों की जटिल पैरामीटर स्पेस का अन्वेषण करने की क्षमता कम डेटा थ्रूपुट के कारण बाधित है। धीमी डेटा ट्रांसफ़र और प्रोसेसिंग उत्पादकता में कमी लाते हैं।
इसलिए, एनसी स्टेट यूनिवर्सिटी के शोधकर्ताओं ने ‘स्व-चालित फ्लुइडिक प्रयोगशालाओं में अकार्बनिक सामग्री संश्लेषण के लिए डेटा तीव्रता रणनीति के रूप में डायनामिक फ्लो प्रयोगों को प्रस्तुत किया है, जिसमें अस्थायी प्रतिक्रिया स्थितियों को निरंतर स्थिर-स्थिति समकक्षों में मैप किया जाता है।’
प्रकाशित हुआ Nature Chemical Engineering1, यह अध्ययन एक अत्याधुनिक स्व-चालित लैब का विवरण देता है जो वास्तविक समय प्रयोगों का उपयोग करके लगातार डेटा एकत्र करता है, जिससे सामग्री खोज तेज़ और अधिक कुशल बनती है, जबकि लागत और पर्यावरणीय प्रभाव कम होते हैं।
उनके कार्य के लिए, इस अध्ययन को नेशनल साइंस फाउंडेशन और यूनिवर्सिटी ऑफ नॉर्थ कैरोलिना रिसर्च ऑपर्च्युनिटीज़ इनीशिएटिव कार्यक्रम से समर्थन मिला।
तो, स्व-चालित प्रयोगशालाएँ (SDLs) वास्तव में क्या हैं? खैर, ये रोबोटिक प्लेटफ़ॉर्म हैं जो मशीन लर्निंग और स्वचालन को रासायनिक और सामग्री विज्ञान के साथ मिलाते हैं ताकि सामग्री को तेज़ी से खोजा जा सके। इन ML-सहायता प्राप्त मॉड्यूलर प्रयोगात्मक प्लेटफ़ॉर्म में, प्रयोगों की एक श्रृंखला, जिसे ML एल्गोरिदम द्वारा चुना जाता है, क्रमिक रूप से संचालित की जाती है ताकि प्रोग्राम्ड लक्ष्य प्राप्त हो सके।
“कल्पना करें यदि वैज्ञानिक स्वच्छ ऊर्जा, नई इलेक्ट्रॉनिक्स, या स्थायी रसायनों के लिए ब्रेकथ्रू सामग्री को वर्षों के बजाय दिनों में खोज सकें, केवल सामग्री का एक अंश उपयोग करके और मौजूदा स्थिति की तुलना में बहुत कम कचरा उत्पन्न करके।”
– पेपर के सह-लेखक, मिलाद अबोलहसानी, नॉर्थ कैरोलिना स्टेट यूनिवर्सिटी में रासायनिक और बायोमॉलिक्यूलर इंजीनियरिंग के ALCOA प्रोफेसर
उन्होंने जोड़ा:
“यह कार्य उस भविष्य को एक कदम और करीब लाता है।”
वैज्ञानिक खोज को तेज़ करने के एक परिवर्तनकारी दृष्टिकोण का प्रतिनिधित्व करते हुए, स्व-चालित लैब्स रसायन विज्ञान और सामग्री विज्ञान क्षेत्रों में लोकप्रियता प्राप्त कर रहे हैं।
स्व-चालित लैब्स जो निरंतर प्रवाह रिएक्टर का उपयोग करती हैं, अक्सर स्थिर-स्थिति प्रवाह प्रयोगों पर निर्भर करती हैं, जहाँ विभिन्न प्रीकर्सर को रासायनिक प्रतिक्रियाओं से पहले मिलाया जाता है, और मिश्रण निरंतर एक माइक्रोचैनल के माध्यम से बहता है।
उत्पाद जो इससे निकलता है, फिर प्रतिक्रिया समाप्त होने पर सेंसरों की श्रृंखला द्वारा विश्लेषित किया जाता है।
“स्व-चालित लैब्स के इस स्थापित दृष्टिकोण ने सामग्री खोज पर गहरा प्रभाव डाला है,” अबोलहसानी ने कहा, यह साझा करते हुए कि इससे वैज्ञानिकों को “विशिष्ट अनुप्रयोगों के लिए कुछ महीनों या हफ्तों में आशाजनक सामग्री उम्मीदवारों की पहचान करने की अनुमति मिली है, वर्षों की बजाय, जबकि लागत और पर्यावरणीय प्रभाव दोनों को कम किया गया है।” लेकिन यह किसी भी तरह से पूर्ण नहीं था, अभी भी सुधार के क्षेत्र हैं।
विशेष रूप से, प्रणाली का निष्क्रिय रहना जब रासायनिक प्रतिक्रिया होती है, इससे पहले कि परिणामी सामग्री को विश्लेषित किया जा सके। स्व-चालित लैब्स के लिए प्रत्येक स्थिर-स्थिति प्रवाह प्रयोग में प्रतीक्षा समय एक घंटे तक हो सकता है।
“हमने अब एक स्व-चालित लैब बनाई है जो डायनामिक फ्लो प्रयोगों का उपयोग करती है, जहाँ रासायनिक मिश्रणों को प्रणाली के माध्यम से निरंतर बदलते हुए वास्तविक समय में मॉनिटर किया जाता है।”
– अबोलहसानी
इसका मतलब है कि वे अलग-अलग नमूनों को प्रणाली में चलाने और प्रत्येक को एक-एक करके परीक्षण करने की प्रक्रिया को समाप्त कर रहे हैं, जब तक कि वे एक अवस्था तक नहीं पहुँच जाते।
इसके बजाय, उन्होंने एक प्रणाली बनाई है जो बस चलती रहती है। नमूने निरंतर प्रणाली के माध्यम से चलते रहते हैं। यह इसलिए है क्योंकि “प्रणाली कभी भी नमूने का विश्लेषण बंद नहीं करती,” और शोधकर्ता “हर आधे सेकंड में नमूने में हो रही प्रक्रिया का डेटा कैप्चर कर सकता है।”
स्व-चालित फ्लुइडिक प्रयोगशालाओं में डायनामिक फ्लो प्रयोगों का एकीकरण पारंपरिक बैच प्रयोगों से एक अलग दिशा को दर्शाता है।
परम्परागत दृष्टिकोणों के विपरीत, जहाँ अलग-अलग डेटा बिंदु स्थिर-स्थिति स्थितियों में एकत्र किए जाते हैं, डायनामिक फ्लो प्रयोगों में माइक्रोफ्लुइडिक सिद्धांतों का उपयोग प्रतिक्रिया स्थितियों की तेज़ मैपिंग के लिए किया जाता है।
एक निरंतर डेटा प्रवाह बनाकर, यह उपलब्ध प्रयोगात्मक डेटा को अत्यधिक बढ़ाता है।
अबोलहसानी ने बताया कि टीम अब प्रयोग के परिणामों के बारे में 20 डेटा बिंदु प्राप्त करती है, जो 0.5 सेकंड के प्रतिक्रिया समय के बाद एक से शुरू होते हैं, फिर 1 सेकंड के बाद एक, आदि, जबकि पहले वे 10 सेकंड के बाद केवल एक डेटा बिंदु प्राप्त करते थे। उन्होंने जोड़ा:
“यह एकल स्नैपशॉट से वास्तविक समय में प्रतिक्रिया की पूरी फिल्म में बदलने जैसा है। प्रत्येक प्रयोग के समाप्त होने का इंतजार करने के बजाय, हमारी प्रणाली हमेशा चलती रहती है, हमेशा सीखती रहती है।”
इतना अधिक डेटा होना AI-संचालित लैब के प्रदर्शन पर अत्यधिक प्रभाव डाल सकता है। डेटा, अंततः, एल्गोरिदम की कुंजी है। AI डेटा पर निर्भर है, और जिस डेटा को इसे दिया जाता है, उसके आधार पर एल्गोरिदम भविष्यवाणियाँ करता है।
अबोलहसानी के अनुसार:
“किसी भी स्व-चालित लैब का सबसे महत्वपूर्ण भाग वह मशीन-लर्निंग एल्गोरिदम है जो प्रणाली उपयोग करती है यह भविष्यवाणी करने के लिए कि अगला कौन सा प्रयोग किया जाना चाहिए।”
इस प्रकार, स्ट्रीमिंग-डेटा दृष्टिकोण ML मस्तिष्क को न केवल तेज़ बल्कि अधिक बुद्धिमान निर्णय लेने की अनुमति देता है, “एक छोटी सी अवधि में इष्टतम सामग्री और प्रक्रियाओं को परिष्कृत करता है।”
डेटा की गुणवत्ता भविष्यवाणियों की सटीकता को भी निर्धारित करती है। इसलिए, अधिक उच्च-गुणवत्ता वाले प्रयोगात्मक डेटा होने से, एल्गोरिदम अधिक सटीक भविष्यवाणियाँ कर सकता है, और फिर वह समस्या को तेज़ी से हल कर सकता है।
“इसका अतिरिक्त लाभ यह है कि समाधान तक पहुँचने के लिए आवश्यक रसायनों की मात्रा कम हो जाती है।”
– अबोलहसानी
उनकी प्रणाली की क्षमताओं को प्रदर्शित करने के लिए, टीम ने CdSe कोलॉइडल क्वांटम डॉट्स पर डायनामिक फ्लो प्रयोग लागू किए। इसे एक परीक्षण बेंच के रूप में उपयोग किया गया क्योंकि यह एक स्थापित अकार्बनिक प्रणाली है जिसमें न केवल समृद्ध पैरामीटर निर्भरताएँ हैं बल्कि महत्वपूर्ण तकनीकी संभावनाएँ भी हैं।
इसने स्थिर-स्थिति प्रवाह प्रयोगों का उपयोग करने वाली अन्य स्व-चालित लैबों की तुलना में कम से कम 10 गुना अधिक डेटा उत्पन्न किया। इसके अलावा, एक बार प्रशिक्षित होने के बाद, स्व-चालित लैब ने अपनी पहली कोशिश में ही सर्वश्रेष्ठ उम्मीदवारों की खोज कर ली।
यह प्रगति, जैसा कि अबोलहसानी ने कहा, “केवल गति के बारे में नहीं है,” बल्कि स्थिरता हासिल करने के बारे में है। आवश्यक प्रयोगों की संख्या घटाकर, प्रणाली रासायनिक खपत और कचरे को उल्लेखनीय रूप से कम करती है, जिससे अधिक स्थायी अनुसंधान प्रथाओं को बढ़ावा मिलता है। अबोलहसानी ने कहा:
“सामग्री खोज का भविष्य केवल इस बात पर नहीं है कि हम कितनी तेज़ी से जा सकते हैं, बल्कि इस बात पर भी है कि हम कितनी ज़िम्मेदारी से वहाँ पहुँचते हैं। हमारा दृष्टिकोण कम रसायन, कम कचरा, और समाज की सबसे कठिन चुनौतियों के लिए तेज़ समाधान का मतलब है।”
सामग्री विज्ञान में AI की विस्तारित भूमिका: रोमांचक हालिया खोजें
AI विश्व भर में उद्योगों को बदल रहा है, और इसमें सामग्री विज्ञान भी शामिल है, जो कई तकनीकी नवाचारों और सामाजिक चुनौतियों की बुनियाद है।
परिणामस्वरूप, नई सामग्रियों की खोज और विकास में AI का उपयोग कई वर्षों से चल रहा है, लेकिन हाल के वर्षों में तकनीक के अधिक उन्नत और सक्षम होने के साथ यह उल्लेखनीय रूप से लोकप्रिय हुआ है।
“लगातार विकास के साथ, हम उम्मीद करते हैं कि रोबोटिक्स और स्वचालन विभिन्न उपकरणों और क्षेत्रों में प्रयोगों की गति, सटीकता और पुनरुत्पादकता को सुधारेंगे, जिससे डेटा उत्पन्न होगा जिसे कृत्रिम बुद्धिमत्ता प्रणालियाँ विश्लेषण कर आगे के प्रयोगों को मार्गदर्शन दे सकें।”
– डॉ. जेम्स काहून, पेपर के सह-लेखक ‘साइंस लैब्स को खोज के स्वचालित कारखानों में बदलना’।
अब, चलिए इस वर्ष विभिन्न अनुप्रयोगों में सामग्री विज्ञान में की गई प्रमुख प्रगति को देखें।
शुरुआत में, जैसा कि हमने हाल ही में साझा किया, AI की मदद से वैज्ञानिक जटिल, 3D थर्मल मेटा-एमिटर डिजाइन करने में सक्षम हुए हैं जो इनडोर तापमान को कम कर सकते हैं और ऊर्जा लागत बचा सकते हैं। नई ML तकनीक से निर्मित यह सामग्री आवासीय और व्यावसायिक इमारतों, अंतरिक्ष यानों, कपड़ों और वस्त्रों, ऑटोमोबाइल आदि में उपयोग की जा सकती है।
“प्रक्रिया को स्वचालित करके और डिजाइन स्पेस को विस्तारित करके, हम पहले अकल्पनीय श्रेष्ठ प्रदर्शन वाली सामग्री बना सकते हैं।”
– अध्ययन के सह-लीड, युएबिंग झेंग
उच्च शक्ति वाले नए धातु सामग्री का विकास
कुछ महीने पहले, वैज्ञानिकों ने AI का उपयोग करके एक नया MPEA या मल्टीप्ल प्रिंसिपल एलिमेंट एलॉय डिजाइन करने की रिपोर्ट की, जो विमान घटकों, उत्प्रेरक कन्वर्टरों, और घुटने के प्रतिस्थापन में पाए जाते हैं।
नए डिजाइन किए गए MPEA में श्रेष्ठ यांत्रिक गुण होते हैं, जिसे वर्जीनिया टेक में रासायनिक इंजीनियरिंग के एसोसिएट प्रोफेसर संकेत देशमुख ने कहा, “यह दर्शाता है कि फ्रेमवर्क और व्याख्यात्मक AI सामग्री डिजाइन में नई संभावनाओं को कैसे खोल सकते हैं।”
AI मॉडल द्वारा किए गए विश्लेषण की व्याख्या करने के लिए, देशमुख और उनकी टीम ने SHAP (शैपली एडिटिव एक्सप्लानेशन्स) विश्लेषण का उपयोग किया, जिससे उन्हें विभिन्न तत्वों और उनके स्थानीय पर्यावरण का MPEA के गुणों पर प्रभाव समझने में मदद मिली, जिससे अधिक अंतर्दृष्टि और सटीक भविष्यवाणियाँ मिलीं।
उन्नत धातु मिश्रधातुओं की खोज को तेज़ करने के अलावा, देशमुख मानते हैं कि ML को विकासात्मक एल्गोरिदम और प्रयोगात्मक सत्यापन के साथ एकीकृत करने से हम ऐसे उपकरण बना सकते हैं जो “जटिल सामग्री प्रणालियों जैसे ग्लाइकोमैटेरियल्स – कार्बोहाइड्रेट युक्त पॉलीमर सामग्री” तक विस्तारित किए जा सकते हैं।
पतली फिल्म में डेंड्रिटिक वृद्धि के रहस्यों का खुलासा
टोक्यो यूनिवर्सिटी ऑफ साइंस (TUS) के शोध3 ने एक व्याख्यात्मक AI मॉडल विकसित किया है जो पतली फिल्म में डेंड्राइट्स (वृक्ष-सम आकार की शाखा पैटर्न) की वृद्धि की भविष्यवाणी करता है, जो उनकी बड़े क्षेत्र में निर्माण में एक प्रमुख बाधा है और उनके व्यावसायीकरण को सीमित कर रहा है।
डेंड्राइट शाखा के पीछे विशिष्ट स्थितियों और तंत्र को उजागर करके, AI मॉडल पतली फिल्म की वृद्धि प्रक्रिया को सुधारने में मदद कर रहा है। पतली फिल्म उपकरण अर्धचालकों जैसी तकनीकों में महत्वपूर्ण हैं।
नवीन AI मॉडल ने प्रिंसिपल कंपोनेंट एनालिसिस (PCA) नामक मशीन लर्निंग विधि और पर्सिस्टेंट होमोलॉजी नामक टोपोलॉजी तकनीक को फ्री एनर्जी विश्लेषण के साथ एकीकृत किया।
“टोपोलॉजी और फ्री एनर्जी को एकीकृत करके, हमारी विधि सामग्री विश्लेषण के लिए एक बहुमुखी दृष्टिकोण प्रदान करती है। इस एकीकरण के माध्यम से, हम एटॉमिक-स्केल माइक्रोस्ट्रक्चर और मैक्रोस्कोपिक कार्यात्मकताओं के बीच एक पदानुक्रमित संबंध स्थापित कर सकते हैं, जो विभिन्न सामग्रियों में भविष्य के उन्नति के मार्ग को प्रशस्त करता है।”
– प्रोफेसर मसातो कोत्सुगी, टोक्यो यूनिवर्सिटी ऑफ साइंस के मैटेरियल साइंस एंड टेक्नोलॉजी विभाग से
नैनोपार्टिकल्स की बेहतर समझ प्राप्त करना
कई विश्वविद्यालयों के वैज्ञानिकों की एक टीम ने एक विधि विकसित करने के लिए एकत्रित हुई ताकि नैनोपार्टिकल्स के गतिशील व्यवहार को बेहतर समझा जा सके, जो इलेक्ट्रॉनिक्स, फार्मास्यूटिकल्स, और औद्योगिक सामग्रियों के निर्माण खंड हैं।
इसने इलेक्ट्रॉन माइक्रोस्कोपी को AI के साथ मिलाकर अति-उच्च समय समाधान में अणुओं की संरचनाओं और गति को दृश्य रूप दिया।
एरिज़ोना स्टेट यूनिवर्सिटी के सामग्री विज्ञान और इंजीनियरिंग के प्रोफेसर पीटर ए. क्रोज़ियर ने समझाया:
“इलेक्ट्रॉन माइक्रोस्कोपी उच्च स्थानिक रिज़ॉल्यूशन पर छवियां कैप्चर कर सकती है, लेकिन रासायनिक प्रतिक्रियाओं के दौरान नैनोपार्टिकल्स की एटॉमिक संरचना की गति के कारण, हमें उनकी कार्यक्षमता को समझने के लिए बहुत उच्च गति पर डेटा एकत्र करने की आवश्यकता है।”
इस शोर को कम करने के लिए, उन्होंने एक AI विधि विकसित की जो इसे स्वचालित रूप से हटाती है, “मुख्य एटॉमिक-स्तर की गतिशीलता को दृश्य बनाने में सक्षम बनाती है।”
इसी बीच, ग्राज़ यूनिवर्सिटी ऑफ टेक्नोलॉजी की एक शोध समूह नैनोस्ट्रक्चर निर्माण को नई स्तर पर ले जा रही है AI का उपयोग करके।
इसके लिए, वे विकास कर रहे हैं एक स्व-शिक्षण AI प्रणाली जो स्कैनिंग टनलिंग माइक्रोस्कोप का उपयोग करके व्यक्तिगत अणुओं को तेज़ी से और सही अभिविन्यास में स्वायत्त रूप से स्थित करती है, जो अन्यथा एक कठिन और समय-ग्रहण प्रक्रिया है, जिससे “नैनोमीटर रेंज में लॉजिक सर्किट सहित अत्यधिक जटिल अणु संरचनाओं” का निर्माण संभव हो सके।
लक्ष्य अंततः क्वांटम कोराल्स बनाना है, जो नैनोस्ट्रक्चर के रूप में गेट के आकार के होते हैं जो इलेक्ट्रॉनों को फँसाते हैं, और उनका उपयोग लॉजिक सर्किट बनाने के लिए किया जाता है ताकि अणु स्तर पर उनके कार्य को अध्ययन किया जा सके।
बेहतर फोटोवोल्टाइक सामग्री की खोज
परम्परागत सिलिकॉन-आधारित सौर कोशिकाओं का एक स्थायी विकल्प, पेरोव्स्काइट सौर कोशिकाएँ अगली पीढ़ी की फोटोवोल्टाइक तकनीक के रूप में सूर्य के प्रकाश को बिजली में बदलने के लिए बड़ी संभावनाएं दिखाती हैं।
उनकी प्रभावशीलता को सकारात्मक चार्ज ले जाने वाले अणुओं के माध्यम से और बढ़ाया जा सकता है, लेकिन विभिन्न अणुओं की संख्या लाखों में है, जिसका अर्थ है सभी को संश्लेषित और परीक्षण करना। हालांकि, AI को स्वचालित हाई-थ्रूपुट संश्लेषण के साथ उपयोग करके, कार्ल्सरुहे इंस्टीट्यूट ऑफ टेक्नोलॉजी (KIT) के शोधकर्ताओं की टीम ने केवल 150 लक्षित प्रयोगों के साथ कुछ हफ्तों में नई कार्बनिक अणुओं की खोज5 की।
नवीन खोजी गई सामग्रियों ने एक संदर्भ सौर कोशिका की दक्षता को लगभग दो प्रतिशत अंक बढ़ाया।
इसके लिए, वैज्ञानिकों ने एक मिलियन वर्चुअल अणुओं के डेटाबेस का उपयोग किया और उनमें से यादृच्छिक रूप से 13,000 चुने, फिर 101 को चयनित किया। चुने गए अणुओं में उनके गुणों में सबसे बड़े अंतर थे, और उन्हें रोबोटिक सिस्टम के साथ संश्लेषित किया गया, फिर उनका उपयोग सौर कोशिकाओं के उत्पादन में किया गया।
AI-चालित सामग्री खोज के लिए नींव रखना
जबकि ये सभी खोजें की जा रही हैं, AI को वास्तव में इसे संभव बनाने के लिए डेटा की आवश्यकता होती है। इसमें सामग्री के बारे में डेटा और बड़े पैमाने के सिमुलेशन से डेटा शामिल है।
हालांकि कई ऐसे डेटाबेस उपलब्ध हैं, वे काफी अलग-थलग हैं, इसलिए एक मानक की आवश्यकता है “ताकि उपयोगकर्ता इन सभी डेटा लाइब्रेरीज़ के साथ संवाद कर सकें और प्राप्त जानकारी को समझ सकें,” बेल्जियम के यूसीलोवेन में इंस्टीट्यूट ऑफ कंडेन्स्ड मैटर एंड नैनोसाइंसेज़ के प्रोफेसर जियान-मार्को रिग्नानसे ने कहा।
तो, पिछले गर्मियों में, एक प्रमुख अंतरराष्ट्रीय सहयोग ने रिलीज़ किया, OPTIMADE मानक का विस्तारित संस्करण, जो AI-चालित सामग्री खोज को सुगम बनाता है।
OPTIMADE (ओपन डेटाबेस इंटीग्रेशन फॉर मैटेरियल्स डिज़ाइन) मानक कई अंतरराष्ट्रीय संस्थानों और सामग्री डेटाबेस के बड़े नेटवर्क द्वारा समर्थित है। इसका उद्देश्य उपयोगकर्ताओं को प्रमुख और कम-ज्ञात सामग्री डेटाबेस तक आसान पहुंच प्रदान करना है, और इसका नया संस्करण पेश किया गया है जो चल रही AI-चालित सामग्री खोज को और तेज़ कर सकता है।
सामग्री खोज के लिए AI में निवेश
जब इस क्षेत्र में निवेश करने पर विचार किया जाता है, तो Alphabet Inc. (GOOGL ) के स्वामित्व वाली Google एक ऐसी कंपनी है जिसने Gnome नामक AI टूल जारी किया है। इसने 2.2 मिलियन नई क्रिस्टल्स की खोज की है। फिर Microsoft (MSFT ) है, जिसने MatterGen और MatterSim को पेश किया है ताकि नई उम्मीदवार सामग्री बनाई और सत्यापित की जा सके।
लेकिन एक और AI दिग्गज है जिसने अपने स्वयं के मॉडल को लॉन्च किया है ताकि सामग्री अनुसंधान के पैमाने और सटीकता को बढ़ाया जा सके।
NVIDIA Corporation (NVDA )
यह कोई और नहीं बल्कि AI का प्रिय Nvidia है। पिछले साल के अंत में, कंपनी ने परिचय किया NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation)।
यह प्लेटफ़ॉर्म AI की शक्ति के माध्यम से रसायन विज्ञान और सामग्री विज्ञान में अनुसंधान एवं विकास को तेज़ करने का लक्ष्य रखता है, और इसे प्राप्त करने के लिए यह API और तेज़ इनफ़रेंस माइक्रोसर्विसेज़ शामिल करता है। यह विशाल सामग्री ब्रह्मांड का अन्वेषण करने और नए उम्मीदवारों का सुझाव देने के लिए जनरेटिव AI मॉडल बनाने और तैनात करने में सक्षम करेगा, और संगणना लागत और सटीकता के बीच संतुलन पाने के लिए सरोगेट मॉडल के विकास और उपयोग को भी सक्षम करेगा। यह तेज़ स्क्रीनिंग और सिमुलेशन टूल्स के लिए सुलभ इन्फ़ॉर्मेटिक्स टूलिंग और प्री-ट्रेंड फाउंडेशन मॉडल भी प्रदान करेगा, जिससे AI मॉडल को नए उपयोग मामलों के लिए प्रशिक्षित और फाइन‑ट्यून किया जा सके।
ALCHEMI के माध्यम से, NVIDIA खोज कार्यप्रवाह को तेज़ करने और “एक अधिक स्थायी, स्वस्थ भविष्य को शक्ति प्रदान करने वाली ब्रेकथ्रू खोजों का नया युग लाने” का लक्ष्य रखता है।
(NVDA )
Nvidia एक $4.22 ट्रिलियन मार्केट कैप कंपनी है, जिसकी शेयर कीमत लगभग $173.5 पर ट्रेड हो रही है, YTD में 28.8% बढ़ी है। इसका EPS (TTM) 3.10 है, P/E (TTM) 55.73 है, और डिविडेंड यील्ड 0.02% है।
नवीनतम NVIDIA Corporation (NVDA) स्टॉक समाचार और विकास
निष्कर्ष
जैसे AI, स्वचालन, और उच्च-प्रदर्शन कंप्यूटिंग एक साथ आते हैं, सामग्री विज्ञान अपने सबसे परिवर्तनकारी युग में प्रवेश कर रहा है, जो मानव-प्रमुख परीक्षण-और-त्रुटि से स्वायत्त खोज की ओर एक आवश्यक बदलाव को चिह्नित करता है।
इन सबके बीच, AI-संचालित लैब्स और स्व-चालित प्रयोगात्मक प्लेटफ़ॉर्म पूरी तरह से वैज्ञानिकों के न केवल खोज बल्कि सामग्री के परीक्षण और अनुकूलन के तरीके को बदल रहे हैं। इसके अलावा, NVIDIA के ALCHEMI, Google के Gnome, और Microsoft के MatterGen जैसी पहलों के साथ, बड़ी टेक कंपनियां भी अगली नवाचार लहर को ईंधन देने के लिए AI पर दांव लगा रही हैं!
क्लिक करें यहाँ कृत्रिम बुद्धिमत्ता में निवेश के बारे में सब कुछ जानने के लिए।
संदर्भ:
1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. स्वायत्त अकार्बनिक सामग्री खोज को तेज़ करने के लिए प्रवाह‑प्रेरित डेटा तीव्रता। Nature Chemical Engineering, ऑनलाइन 14 जुलाई 2025 प्रकाशित। https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. साइंस लैब्स को खोज के स्वचालित कारखानों में बदलना। Sci. Robot. 2024, 9(95), eadm6991। https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. स्थायी होमोलॉजी के साथ ऊर्जा विश्लेषण का उपयोग करके डेंड्रिटिक वृद्धि में संरचना और प्रक्रिया को जोड़ना। Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 2475735। https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A. M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. डीप डीनॉइज़िंग द्वारा सक्षम नैनोपार्टिकल सतह गतिशीलता और अस्थिरताओं का दृश्यांकन। Science 2025, 387 (6737), 949–954। https://doi.org/10.1126/science.ads2688
5. Wu, J.; Torresi, L.; Hu, M.; Reiser, P.; Zhang, J.; Rocha‑Ortiz, J. S.; Wang, L.; Xie, Z.; Zhang, K.; Park, B.‑W.; Barabash, A.; Zhao, Y.; Luo, J.; Wang, Y.; Lüer, L.; Deng, L.‑L.; Hauch, J. A.; Guldi, D. M.; Pérez‑Ojeda, M. E.; Seok, S. I.; Friederich, P.; Brabec, C. J. पेरोव्स्काइट सौर कोशिकाओं के लिए अनुकूलित होल‑ट्रांसपोर्ट सामग्री की खोज के लिए इनवर्स डिज़ाइन वर्कफ़्लो। Science 2024, 386(6727), 1256–1264। https://doi.org/10.1126/science.ads0901
