एआई ने अगली पीढ़ी के सतत ठंडक सामग्री की खोज को तेज़ किया

सामग्रियों की दुनिया में, थर्मल नैनोफोटोनिक्स तकनीकी अनुप्रयोगों में मौलिक प्रगति को सक्षम करने के लिए महत्वपूर्ण है।

थर्मल नैनोफोटोनिक्स नैनोफोटोनिक्स और थर्मल विज्ञान को मिलाकर नैनोस्केल पर गर्मी के स्थानांतरण को नियंत्रित और संचालित करता है। यह थर्मल विकिरण और गर्मी प्रवाह को अनुकूलित करने के लिए नैनोस्ट्रक्चर और सामग्रियों का उपयोग करता है, जिससे ऊर्जा संग्रह, थर्मल प्रबंधन और सेंसरिंग सहित विभिन्न अनुप्रयोगों में प्रगति होती है।

नैनोफोटोनिक्स नैनोमीटर स्केल पर प्रकाश के व्यवहार से संबंधित है। नैनोफोटोनिक सामग्री, इस बीच, थर्मल उत्सर्जन पर स्पेक्ट्रल और दिशा-निर्देशित नियंत्रण प्रदान करती हैं।

ऐसी सामग्रियों को खोजने की पारंपरिक विधि परीक्षण-और-त्रुटि दृष्टिकोणों से बाधित थी, लेकिन मशीन लर्निंग (ML) और कृत्रिम बुद्धिमत्ता (AI) के आगमन ने सामग्री विज्ञान के क्षेत्र में क्रांति ला दी है, जिससे सामग्री की खोज, डिजाइन और अनुकूलन प्रक्रियाओं को काफी तेज़ किया गया है।

जबकि तकनीक ने नैनोफोटोनिक और मेटामटेरियल्स के डिजाइन में अपनी शक्तिशाली क्षमताएँ दिखायी हैं, उच्च-प्रदर्शन नैनोफोटोनिक उत्सर्जकों को अल्ट्राब्रॉडबैंड नियंत्रण और सटीक बैंड चयन के साथ अनुकूलित करने के लिए एक सामान्य डिजाइन पद्धति विकसित करना चुनौतीपूर्ण है। 

यह पारंपरिक एल्गोरिदम, स्थानीय अनुकूलन जाल, और पूर्वनिर्धारित ज्यामिति और सामग्रियों द्वारा सीमित होने के कारण है। 

हालांकि, यह अब टेक्सास विश्वविद्यालय, ऑस्टिन के वैज्ञानिकों द्वारा संबोधित किया जा रहा है, जिन्होंने स्वीडन के यूमेओ विश्वविद्यालय, सिंगापुर राष्ट्रीय विश्वविद्यालय और शंघाई जियाओ टोंग विश्वविद्यालय के शोधकर्ताओं के साथ सहयोग किया है।

साथ मिलकर, उन्होंने एक ML तकनीक डिजाइन की¹ जटिल, 3D थर्मल मेटा-उत्सर्जकों को डिजाइन करने के लिए। 

मेटा-उत्सर्जक ऐसी इंजीनियर्ड सामग्री हैं जो विद्युतचुंबकीय विकिरण को नियंत्रित और संचालित करने के लिए डिजाइन की गई हैं, जो ऊर्जा दक्षता और थर्मल प्रबंधन में अनुप्रयोग प्रदान करती हैं। 

“हमारा मशीन लर्निंग फ्रेमवर्क थर्मल मेटा-उत्सर्जकों के डिजाइन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। प्रक्रिया को स्वचालित करके और डिजाइन स्पेस का विस्तार करके, हम ऐसी सामग्री बना सकते हैं जिनका प्रदर्शन पहले अकल्पनीय था।”

– अध्ययन सह-नेता यूबिंग झेंग, कॉकरल स्कूल ऑफ इंजीनियरिंग के वॉकर विभाग ऑफ मैकेनिकल इंजीनियरिंग में प्रोफेसर

AI-संचालित सामग्री जलवायु-प्रतिरोधी शहरी डिजाइन के लिए

नेचर में प्रकाशित, इस अध्ययन में नया ML-आधारित फ्रेमवर्क बताया गया है जिसने ऐसी सामग्री डिजाइन करने में मदद की जो इनडोर तापमान को कम कर सके और परिणामस्वरूप ऊर्जा लागत को घटा सके।

अपने फ्रेमवर्क का उपयोग करके, वैज्ञानिक वास्तव में 1,500 से अधिक नई सामग्री उत्पन्न करने में सक्षम रहे हैं जो नियंत्रित तरीके से चयनात्मक रूप से गर्मी उत्सर्जित कर सकती हैं। वे हीटिंग और कूलिंग में उच्च सटीकता भी प्रदान कर सकती हैं जिससे ऊर्जा दक्षता में सुधार हो।

उनका फ्रेमवर्क सीमित डेटा के साथ कई पैरामीटर को अनुकूलित करके अल्ट्राब्रॉडबैंड और बैंड-सेलेक्टिव थर्मल मेटा-उत्सर्जकों को डिजाइन कर सकता है, जो सामग्री विविधता और 3D संरचनात्मक जटिलता को कवर करता है।

अध्ययन के अनुसार, उनकी आर्किटेक्चर दोहरी डिजाइन क्षमताएँ प्रदान करती है। पहला, यह संभावित मेटास्ट्रक्चर और सामग्री संयोजनों की उल्टी डिजाइन को स्वचालित करती है जिससे स्पेक्ट्रल टेलरिंग संभव हो। दूसरा, यह “अभूतपूर्व क्षमता” रखती है विभिन्न 3D मेटा-उत्सर्जकों को तीन-समतल मॉडलिंग विधि लागू करके डिजाइन करने की, जो पारंपरिक, सपाट, 2D संरचनाओं की सीमाओं को पार करती है। 

अपने अध्ययन में, टीम सात प्रूफ-ऑफ़-कॉन्सेप्ट मेटा-उत्सर्जकों को प्रस्तुत करती है जो श्रेष्ठ ऑप्टिकल और रेडिएटिव कूलिंग प्रदर्शन दिखाते हैं, वर्तमान उन्नत डिज़ाइनों से बेहतर हैं। सात वर्गों के मेटा-उत्सर्जक विशिष्ट कार्यों के लिए अनुकूलित हैं।

विकसित किया गया सामान्यीकृत फ्रेमवर्क 3D नैनोफोटोनिक सामग्रियों के निर्माण के लिए है, जिसे शोधकर्ताओं ने कहा, “विस्तारित ज्यामितीय स्वतंत्रता और आयामिकता तथा एक व्यापक सामग्री डेटाबेस के माध्यम से वैश्विक अनुकूलन को सुविधाजनक बनाता है।”

अब, उनके डिजाइन सिस्टम की व्यवहार्यता का आकलन करने के लिए, शोधकर्ताओं ने चार नमूना सामग्री तैयार की और फिर उनके प्रदर्शन का परीक्षण किया। 

मेटा-उत्सर्जक सामग्रियों में से एक को मॉडल घर की छत पर लागू किया गया। उसकी कूलिंग क्षमता का विश्लेषण करने के लिए, इस सामग्री की तुलना मानक व्यावसायिक सफेद और ग्रे पेंट्स से की गई। शोधकर्ताओं ने देखा कि छत को चार घंटे की सीधी दोपहर की धूप के बाद, नई बनाई गई सामग्री औसतन पारंपरिक पेंट्स से 5 से 20 डिग्री सेल्सियस ठंडी थी।

इस आधार पर, टीम का अनुमान है कि उनकी सामग्री बैंकोक जैसे गर्म शहर में एक अपार्टमेंट बिल्डिंग के कूलिंग लागत में प्रति वर्ष लगभग 15,800 किलोवॉट-घंटे (kWh) बचाएगी। एक मानक एसी यूनिट आमतौर पर वार्षिक लगभग 1,500 kWh की खपत करती है।

इसलिए, टीम द्वारा बनाई गई सामग्रियों को आवासीय और वाणिज्यिक ऊर्जा बचत के लिए उपयोग किया जा सकता है। शहरों में, वे सूर्य के प्रकाश को प्रतिबिंबित करके और लक्षित तरंगदैर्ध्य पर गर्मी जारी करके तापमान को कम करने में मदद कर सकते हैं। इस प्रकार, सामग्री शहरी हीट आइलैंड प्रभाव को कम कर सकती है जो सीमित हरियाली और घनी कंक्रीट संरचनाओं से उत्पन्न होता है।

लेकिन यह उनका उपयोग केवल इतना ही नहीं है। यह सामग्री अंतरिक्ष अनुप्रयोगों में भी उपयोग की जा सकती है, जहाँ यह आने वाली सौर विकिरण को प्रभावी ढंग से प्रबंधित करती है और उत्सर्जित गर्मी को नियंत्रित करती है, जिससे अंतरिक्ष यान के तापमान को नियमन करने में मदद मिलती है।

थर्मल मेटा-उत्सर्जकों के उपयोग केस इससे कहीं अधिक विस्तृत हैं। उदाहरण के लिए, इन्हें कपड़ों और वस्त्रों में एकीकृत करके, हम कपड़े और बाहरी उपकरणों में कूलिंग तकनीक को सुधार सकते हैं।

ऑटोमोबाइल भी एक और उदाहरण है। कारों को थर्मल मेटा-उत्सर्जकों से ढंककर और उन्हें इंटीरियर सामग्री में एम्बेड करके, धूप में खड़ी कारों में जमा होने वाली गर्मी को भी कम किया जा सकता है।

इन कई फायदों के बावजूद, इन सामग्रियों को मुख्यधारा में अपनाने में कठिनाई रही है क्योंकि उनका डिजाइन प्रक्रिया श्रम-साध्य है, और स्वचालित विकल्प भी उनकी जटिल 3D पदानुक्रमिक संरचना को संभालने में कठिनाई का सामना करते हैं। लेकिन यह सब नवीनतम AI फ्रेमवर्क के साथ अंततः बदल सकता है।

“परंपरागत रूप से, इन सामग्रियों को डिजाइन करना धीमा और श्रम-गहन रहा है, जो परीक्षण-और-त्रुटि विधियों पर निर्भर करता है। यह दृष्टिकोण अक्सर अधूरा डिजाइन देता है और आवश्यक गुणों वाली प्रभावी सामग्री बनाने की क्षमता को सीमित करता है।”

– झेंग

इसलिए, शोधकर्ता अपनी तकनीक पर काम जारी रखेंगे, इसे परिष्कृत करेंगे और नैनोफोटोनिक्स के अतिरिक्त पहलुओं में लागू करेंगे।

“मशीन लर्निंग हर चीज़ का समाधान नहीं हो सकता, लेकिन थर्मल प्रबंधन की विशिष्ट स्पेक्ट्रल आवश्यकताएँ इसे उच्च-प्रदर्शन थर्मल उत्सर्जकों के डिजाइन के लिए विशेष रूप से उपयुक्त बनाती हैं।”

– सह-लेखक कान याओ

कैसे AI नई सामग्रियों की खोज को तेज़ करता है

सामग्री की संरचना, गुणधर्म, प्रसंस्करण और प्रदर्शन पर केंद्रित, सामग्री विज्ञान एयरोस्पेस, इलेक्ट्रॉनिक्स, ऊर्जा से लेकर चिकित्सा और कई अन्य क्षेत्रों तक सब कुछ की नींव बनाता है। 

वास्तव में, नई सामग्रियों की खोज और विकास ने सदियों से मानव इतिहास को आकार देने में महत्वपूर्ण भूमिका निभाई है, जिससे प्रौद्योगिकी में प्रगति हुई है।

दशकों से, हमने नई अकार्बनिक सामग्रियों को अनुकूल गुणों के साथ खोजने के लिए परीक्षण-और-त्रुटि दृष्टिकोण पर निर्भर किया है। यह दृष्टिकोण अत्यधिक संसाधन-गहन है, जिसमें संभावित नई सामग्रियों की पहचान और संश्लेषण के लिए सैकड़ों हज़ार घंटे के प्रयोग आवश्यक होते हैं।

सामग्रियों की अणु और परमाणु स्तर पर जटिलता नई सामग्रियों की खोज को लंबी और महंगी प्रक्रिया बनाती है। इसलिए, सुपरकम्प्यूटर की बढ़ती उपलब्धता ने सामग्री विज्ञान को बदल दिया, जिससे सामग्री के व्यवहार का सिमुलेशन संभव हुआ।

और अब, AI का आगमन इस क्षेत्र में क्रांति ला रहा है, जिससे सामग्री विज्ञान में कम्प्यूटेशनल दृष्टिकोण तेज़ हो रहा है। वांछित गुणों और प्रतिबंधों को प्रदान करके, जनरेटिव AI सिस्टम अब पूरी तरह नई सामग्रियों को बना सकते हैं।

आखिरकार, आज के उन्नत मॉडल, जो विशाल डेटासेट पर प्रशिक्षित हैं, उच्च-थ्रूपुट कंप्यूटिंग के साथ मिलकर, उम्मीदवार सामग्रियों को वांछित पैरामीटर के खिलाफ तेज़ी से स्क्रीन कर सकते हैं, जिससे बहुत कम समय में कई पदार्थों के गुणों की भविष्यवाणी की जा सकती है।

AI न केवल विकास समय और मानव एवं सामग्री संसाधनों को महत्वपूर्ण रूप से बचा सकता है, बल्कि यह जटिल और विविध बाजार आवश्यकताओं को सटीक रूप से पूरा करते हुए ऐसा कर सकता है।

जैसा कि कैलिफ़ोर्निया विश्वविद्यालय, बर्कले में सामग्री विज्ञान की प्रोफेसर क्रिस्टिन पर्सन ने उल्लेख किया, हम वर्तमान में एक ऐसे परिप्रेक्ष्य में हैं जहाँ विज्ञान बड़े डेटा और AI द्वारा संचालित है। आज, हमारे पास मशीन लर्निंग एल्गोरिदम को प्रशिक्षित करने के लिए पर्याप्त डेटा है, और “यह नवाचार की गति में एक पूरी नई स्तर लाता है,” उन्होंने कहा।

दिलचस्प बात यह है कि AI को नई सामग्रियों की खोज से भी लाभ मिलता है। AI डेटा-भूखा है, और सामग्री विज्ञान में डेटा की कमी है। इस तकनीक का उपयोग करके, सामग्री गुणों का सिमुलेशन किया जा सकता है, और उत्पन्न डेटा को मशीन लर्निंग मॉडलों को प्रशिक्षित करने के लिए उपयोग किया जा सकता है।

पर्सन वर्तमान में मल्टी-इंस्टिट्यूशन, मल्टी-नेशनल पहल “मैटेरियल्स प्रोजेक्ट” का नेतृत्व कर रही हैं, जो सुपरकम्प्यूटिंग और उन्नत सिमुलेशन विधियों का उपयोग करके सभी ज्ञात अकार्बनिक सामग्रियों और उससे आगे के गुणों की गणना करती है। डेटा को नई सामग्रियों को डिजाइन करने के लिए मुफ्त में उपलब्ध कराया जाता है।

अनुकूलनीय छत टाइलों के बारे में जानने के लिए यहाँ क्लिक करें जो हीटिंग/कूलिंग ऊर्जा खपत को कम करने में मदद कर सकती हैं।

AI-चालित सामग्री खोज में प्रमुख प्रगति

U of T इंजीनियरिंग के शोधकर्ताओं ने एक नया उपकरण प्रस्तुत किया² हाल ही में, जो यह भविष्यवाणी करता है कि नई सामग्री को सबसे अच्छा कैसे उपयोग किया जा सकता है ताकि सामग्री की खोज और उसके उपयोग के बीच का अंतराल कम हो सके।

बहु-मोडल AI उपकरण प्रारंभिक चरण के डेटा का उपयोग करके नई सामग्री के संभावित वास्तविक-विश्व उपयोग की भविष्यवाणी करता है, विशेष रूप से एक विशिष्ट वर्ग के छिद्रयुक्त पदार्थों, जिन्हें मेटल-ऑर्गेनिक फ्रेमवर्क (MOFs) कहा जाता है, पर केंद्रित। 

पिछले साल ही, शोधकर्ताओं ने इन सामग्रियों के 5,000 से अधिक विभिन्न प्रकार विकसित किए, जिनकी गुणधर्म समायोज्य हैं, जैसा कि अध्ययन के प्रमुख प्रोफेसर सईद मोहम्मद मूसावी, यूनिवर्सिटी ऑफ टोरंटो (ChemE) ने बताया। उन्होंने कहा कि चुनौती यह है कि एक MOF जो एक विशेष अनुप्रयोग के लिए बनाया गया था, अक्सर पूरी तरह अलग अनुप्रयोग के लिए उपयुक्त गुणधर्म रखता है।

“सामग्री खोज में, सामान्य प्रश्न होता है, ‘इस अनुप्रयोग के लिए सबसे अच्छी सामग्री कौन सी है?’” मूसावी ने कहा। “हमने प्रश्न को उलटा और पूछा, ‘इस नई सामग्री के लिए सबसे अच्छा अनुप्रयोग क्या है?’ हर दिन बन रही इतनी सारी सामग्रियों के साथ, हम ध्यान को ‘अगली कौन सी सामग्री बनाएं’ से ‘अगला कौन सा मूल्यांकन करें’ की ओर बदलना चाहते हैं।”

इसलिए, ChemE के पीएचडी छात्र सारताज खान ने विभिन्न प्रकार के डेटा पर प्रशिक्षित एक बहु-मोडल मशीन लर्निंग सिस्टम विकसित किया। बहु-मोडलिटी यहाँ मुख्य थी क्योंकि इसने मॉडल को “एक अधिक पूर्ण चित्र” दिया, जिससे पोस्ट-सिंथेसिस की आवश्यकता के बिना अधिक सटीक भविष्यवाणियाँ की जा सकीं।

इसी बीच, आर्गोन नेशनल लैबोरेटरी के शोधकर्ताओं ने एक जनरेटिव AI डिफ्यूजन मॉडल का उपयोग करके एक सुपरकम्प्यूटर की मदद से केवल आधे घंटे से थोड़ा अधिक समय में 120,000 से अधिक MOF उम्मीदवार उत्पन्न किए। संशोधित न्यूरल नेटवर्क ने MOFs की संख्या को 364 तक घटा दिया, जिन्हें उच्च-प्रदर्शन माना गया।

कुछ और दिनों और अतिरिक्त कम्प्यूटेशनल विश्लेषण के साथ, टीम ने डेटासेट में 102 स्थिर MOFs पाए। इनमें से 6 का CO2 क्षमता लोकप्रिय hMOF डेटाबेस में शीर्ष 5% सामग्रियों में रैंक किया गया।

एक अन्य उदाहरण में, वैज्ञानिकों ने AI का उपयोग करके पूरी तरह नई नैनोमैटेरियल्स डिजाइन किए जो स्टायरोफोम जितने हल्के हैं जबकि कार्बन स्टील की शक्ति रखते हैं।

कई सामग्रियों में, जिसमें नैनो-आर्किटेक्टेड सामग्री भी शामिल है, शक्ति और दृढ़ता अक्सर विरोधाभासी होती हैं, क्योंकि वे अल्ट्रा-छोटे बिल्डिंग ब्लॉक्स से बनी होती हैं। जब दोहराए जाते हैं, ये ब्लॉक्स सामग्री को मजबूत बनाते हैं, लेकिन तनाव केंद्रों को भी उत्पन्न कर सकते हैं जो अचानक टूटने का कारण बनते हैं।

नैनोमैटेरियल्स को डिजाइन करने के बेहतर तरीकों को खोजने के लिए, शोधकर्ताओं ने संभावित ज्यामितियों का सिमुलेशन किया और फिर उन्हें एक एल्गोरिदम में चलाया जो उनके डिज़ाइनों से सीखकर लागू तनाव को समान रूप से वितरित करने के लिए सर्वोत्तम आकारों की भविष्यवाणी करता है, जबकि भारी लोड वहन करता है।

शोधकर्ताओं ने इन आकारों को जीवन में लाने के लिए 3D प्रिंटर का उपयोग किया और पाया कि वे 2.03 मेगापास्कल (MPa) प्रति घन मीटर प्रति किलोग्राम तनाव सहन कर सकते हैं, जो टाइटेनियम से पाँच गुना अधिक है।

शोधकर्ता इनकी संभावित उपयोगिता को एयरोस्पेस अनुप्रयोगों में अल्ट्रा-हल्के घटकों के रूप में देखते हैं, जिससे ईंधन की मांग और उड़ान के उच्च कार्बन फुटप्रिंट को कम किया जा सके।

According to first-author Peter Serles, an engineering researcher at Caltech:

“यह पहली बार है जब मशीन लर्निंग को नैनो-आर्किटेक्टेड सामग्रियों को अनुकूलित करने के लिए लागू किया गया है, और हम सुधारों से चकित थे। इसने केवल प्रशिक्षण डेटा से सफल ज्यामितियों को दोहराया नहीं; इसने यह सीखा कि किन आकार परिवर्तनों ने काम किया और किन्होंने नहीं, जिससे यह पूरी तरह नई लैटिस ज्यामितियों की भविष्यवाणी करने में सक्षम हुआ।”

AI-आधारित सामग्री खोज का उपयोग शहरी योजना में भी व्यापक रूप से किया जा रहा है। एक सहयोगी शोध ने पेकिंग विश्वविद्यालय और यूनिवर्सिटी ऑफ साउदर्न डेनमार्क के बीच एक उन्नत फ्रेमवर्क विकसित किया है जो गहन शिक्षण को रिमोट सेंसिंग के साथ एकीकृत करता है, जिससे भवन सामग्रियों की अभूतपूर्व सटीकता के साथ पहचान की जा सके।

ऊर्जा दक्षता के अलावा, AI पर्यावरणीय निगरानी और संरक्षण, आवास और बुनियादी ढांचा विकास, तथा सार्वजनिक सुरक्षा और आपदा प्रतिक्रिया में मदद करके शहरी योजना को उन्नत कर सकता है।

ब्लेडलेस विंड टरबाइनों के बारे में जानने के लिए यहाँ क्लिक करें, जिन्हें अक्सर स्वच्छ ऊर्जा का भविष्य कहा जाता है।

AI-आधारित सामग्री खोज में निवेश

यदि हम AI के निवेश संभावनाओं को देखें, तो यह विशाल है, जहाँ बाजार को आने वाले वर्षों में ट्रिलियन मूल्य का अनुमान है। इस तकनीकी प्रगति में अग्रणी कंपनियों के संदर्भ में, विशेष रूप से सामग्री विज्ञान में, दो नाम प्रमुख हैं: माइक्रोसॉफ्ट और गूगल (Alphabet Inc.), जिन्होंने सामग्री अनुसंधान के पैमाने और सटीकता को बढ़ाने के लिए अपने मॉडल लॉन्च किए हैं। हालांकि, इस लेख के उद्देश्य से, हम Alphabet Inc. पर ध्यान केंद्रित करेंगे।

Alphabet Inc. (GOOG )

2023 के अंत में, गूगल की DeepMind ने एक AI टूल जिसका नाम Graph Networks for Materials Exploration (Gnome) है, जारी किया ताकि सामग्री खोज प्रक्रिया को तेज़ किया जा सके। उस समय, इसने गहन शिक्षण टूल की मदद से 2.2 मिलियन नई क्रिस्टल खोजी होने की रिपोर्ट किया⁶।

गूगल ने कहा, यह “लगभग 800 वर्षों के ज्ञान के बराबर है और भविष्यवाणियों में अभूतपूर्व पैमाने और सटीकता स्तर को दर्शाता है।” नई खोजी गई क्रिस्टलों में 380,000 स्थिर सामग्री शामिल थीं, जो प्रयोगात्मक संश्लेषण के लिए आशाजनक उम्मीदवार बनाती हैं और भविष्य की तकनीकों को शक्ति प्रदान करने में सक्षम हैं।

Gnome मॉडल एक ग्राफ न्यूरल नेटवर्क (GNN) मॉडल है, जहाँ इनपुट डेटा को ग्राफ के रूप में दर्शाया जाता है। Gnome को Materials Project के डेटा पर प्रशिक्षित किया गया, जिसमें क्रिस्टल संरचनाएँ और उनकी स्थिरता शामिल हैं, ताकि नई उम्मीदवार क्रिस्टलों को उत्पन्न किया जा सके और उनकी स्थिरता की भविष्यवाणी की जा सके।

गूगल ने इसकी भविष्यवाणी शक्ति का मूल्यांकन डेंसिटी फंक्शनल थ्योरी (DFT) का उपयोग करके बार-बार प्रदर्शन की जाँच करके किया। ‘ट्रेनिंग प्रक्रिया’ के लिए, इसने ‘एक्टिव लर्निंग’ का उपयोग किया, जिसमें प्राप्त डेटा को मॉडल में वापस फीड किया गया, जिससे Gnome के प्रदर्शन में काफी वृद्धि हुई। 

गूगल के अनुसार, मॉडल की स्थिरता भविष्यवाणी सटीकता 50% से बढ़कर 80% हो गई। मॉडल की दक्षता, इस बीच, 10% से कम से बढ़कर 80% से अधिक हो गई।

इसके अलावा, जीनोम द्वारा भविष्यवाणी किए गए लगभग 736 सामग्रियों को बाहरी शोधकर्ताओं द्वारा स्वतंत्र रूप से संश्लेषित किया गया है। गूगल ने Lawrence Berkeley National Lab के साथ मिलकर 41 नई सामग्री का संश्लेषण किया, जिससे टूल की भविष्यवाणी शक्ति और स्वायत्त प्रयोग की शक्ति की पुष्टि हुई।

अब, चलिए $2.2 ट्रिलियन मार्केट कैप वाले दिग्गज के प्रदर्शन को देखें। लेखन के समय, इसके शेयर लगभग $182 पर ट्रेड हो रहे हैं, YTD में 3.86% गिरावट के साथ। इसका EPS (TTM) 8.97 और P/E (TTM) 20.29 है। भुगतान किया गया डिविडेंड यील्ड 0.46% है।

कंपनी के वित्तीय मामलों के बारे में, गूगल की मूल कंपनी, Alphabet ने 31 मार्च, 2025 को समाप्त Q1 के लिए $90.2 बिलियन की राजस्व की रिपोर्ट की। प्रति शेयर आय $2.81 थी। ये आंकड़े, CEO सुंदर पिचाई ने कहा, “व्यवसाय में स्वस्थ वृद्धि और गति को दर्शाते हैं। इस वृद्धि के पीछे हमारी अनोखी फुल-स्टैक AI दृष्टिकोण है।”

Alphabet Inc. (GOOG) के नवीनतम स्टॉक समाचार और विकास

निष्कर्ष

AI हमारे जीवन के हर पहलू को बदल रहा है, जिसमें उन सामग्रियों को डिजाइन करने का तरीका भी शामिल है जो हमारे भविष्य को आकार देती हैं। तकनीक का सामग्री विज्ञान में एकीकरण वास्तव में एक परिप्रेक्ष्य परिवर्तन है, जिससे ऐसी खोजें जो पहले वर्षों में पूरी होती थीं, अब दिनों या यहाँ तक कि घंटों में हो रही हैं।

सरल शब्दों में, AI विशाल डेटासेट, हाई-थ्रूपुट कंप्यूटिंग और जनरेटिव मॉडल का उपयोग करके सामग्री नवाचार के निकट भविष्य को आगे बढ़ा रहा है, जिससे शोधकर्ता अभूतपूर्व दक्षता और सटीकता के साथ नई सामग्रियों की भविष्यवाणी, डिजाइन और अनुकूलन कर सकते हैं।

पर्यावरणीय फोकस वाले स्वच्छ ऊर्जा स्टॉक्स के बारे में जानने के लिए यहाँ क्लिक करें।

संदर्भ:

1. Xiao, C.; Liu, M.; Yao, K.; et al. मशीन लर्निंग द्वारा अल्ट्राब्रॉडबैंड और बैंड‑सेलेक्टिव थर्मल मेटा‑उत्सर्जक। Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. मल्टीमोडल मशीन लर्निंग का उपयोग करके मेटल‑ऑर्गेनिक फ्रेमवर्क संश्लेषण को अनुप्रयोगों से जोड़ना। Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. कार्बन कैप्चर के लिए मेटल‑ऑर्गेनिक फ्रेमवर्क डिजाइन हेतु आणविक डिफ्यूजन मॉडल पर आधारित जनरेटिव आर्टिफिशियल इंटेलिजेंस फ्रेमवर्क। Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. बायेसियन ऑप्टिमाइज़ेशन द्वारा कार्बन नैनोलैटिसेज़ की अल्ट्रा‑हाई विशिष्ट शक्ति। Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. शहरी कपड़ा डिकोडेड: गहन शिक्षण और रिमोट सेंसिंग के माध्यम से उच्च‑सटीकता भवन सामग्री पहचान। Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. सामग्री खोज के लिए डीप लर्निंग का स्केलिंग। Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9