एआई की नवीनतम सफलताएँ: क्या नया है और आगे क्या है?

कृत्रिम बुद्धिमत्ता (AI) अपने उद्योगों में क्रांति लाने की उच्च संभावनाओं के कारण महत्व में निरंतर बढ़ती जा रही है।

यह मशीनों में मानव बुद्धिमत्ता का सिमुलेशन, अंततः, बढ़ी हुई दक्षता और उत्पादकता, बेहतर सटीकता और निर्णय‑निर्धारण, नई नौकरी के अवसर, और उन्नत ग्राहक अनुभव जैसे लाभ लाता है।

परिणामस्वरूप, AI व्यवसायिक वृद्धि का प्रमुख प्रेरक बन गया है, जहाँ 70% से अधिक कंपनियों ने इसे अपनाया है। अनुमान दर्शाते हैं कि 2030 तक AI का वैश्विक बाजार ट्रिलियन स्तर तक पहुँच सकता है, जो बढ़ते निवेश और तकनीकी प्रगति से प्रेरित है।

सिर्फ इस वर्ष में ही, हमने बड़े विकास देखे हैं: OpenAI ने 25% से अधिक सटीकता दर वाला एक गहरा शोध एजेंट प्रस्तुत किया; DeepSeek ने DeepSeek‑R1 जारी किया, जो chain‑of‑thought तर्क का उपयोग करता है; Baidu ने Ernie X1 और Ernie 4.5 लॉन्च किए; और Stability AI ने नया मॉडल, Stable Virtual Camera, पेश किया, जो फ़ोटो को 3D दृश्यों में बदलता है।

इसी बीच, Google ताइवान की MediaTek के साथ सहयोग करके अगली पीढ़ी के टेंसर प्रोसेसिंग यूनिट्स (TPUs) विकसित कर रहा है, जिससे उत्पादन लागत कम होगी और वर्तमान साझेदारों पर निर्भरता घटेगी। साथ ही, OpenAI, Oracle (ORCL ), SoftBank, और MGX से मिलकर बना एक कंसोर्टियम US सरकार के साथ मिलकर The Stargate Project की घोषणा कर चुका है।

पिछले सप्ताह, Nvidia (NVDA ) ने अपने Grace Blackwell चिप प्लेटफ़ॉर्म द्वारा संचालित नई “AI व्यक्तिगत सुपरकंप्यूटर” श्रृंखला की घोषणा की। CEO Jensen Huang ने DGX Spark और DGX Station को GTC 2025 में प्रस्तुत किया, जिससे उपयोगकर्ता विभिन्न आकार के AI मॉडल को किनारे (edge) पर प्रोटोटाइप, फाइन‑ट्यून और चलाने में सक्षम होंगे।

तो, अब, चलिए कुछ सबसे हालिया प्रमुख सफलताओं पर नज़र डालते हैं जो शोधकर्ताओं ने विभिन्न क्षेत्रों में AI के माध्यम से हासिल की हैं।

AI केवल प्रचार है या इसके विकास में वास्तविक सामग्री है, यह जानने के लिए यहाँ क्लिक करें।

AI अपने स्वयं के सीखने की चुनौतियों को हल कर रहा है

AI न केवल अन्य क्षेत्रों को स्थानांतरित कर रहा है, बल्कि डेटा विश्लेषण, मशीन लर्निंग और ऑटोमेशन में प्रगति के माध्यम से अधिक परिष्कृत AI सिस्टम के विकास को सक्षम करके स्वयं में भी योगदान दे रहा है, जिससे तेज़ प्रोसेसिंग, अधिक सटीक भविष्यवाणी और बेहतर निर्णय‑निर्धारण संभव हो रहा है।

इस महीने, शोधकर्ताओं ने नए मेम्रिस्टिव घटकों का परिचय दिया है जो बहुत अधिक मजबूत हैं, एनालॉग और डिजिटल दोनों मोड में काम कर सकते हैं, और विस्तृत वोल्टेज रेंज में कार्य करते हैं।

इन विशेषताओं से “विनाशकारी भूल” (catastrophic forgetting) की समस्या को हल करने में मदद मिल सकती है, जो तब होती है जब कृत्रिम न्यूरल नेटवर्क पहले सीखी गई चीज़ों को भूल जाते हैं। यह आमतौर पर तब होता है जब गहरे न्यूरल नेटवर्क (DNNs), जो मानव मस्तिष्क की नकल करने के लिए डिज़ाइन किए गए हैं, को नई कार्य के लिए प्रशिक्षित किया जाता है और नई अनुकूलन पहले सीखी गई जानकारी को ओवरराइट कर देती है।

हमारा मस्तिष्क इस समस्या से मुक्त है, क्योंकि यह सिनैप्टिक परिवर्तन की डिग्री को समायोजित कर सकता है। साथ ही, यह माना जाता है कि विभिन्न प्लास्टिसिटी स्तर हमारे मस्तिष्क को नई चीज़ें स्थायी रूप से सीखने में सक्षम बनाते हैं बिना पुरानी चीज़ें भूलें। शोधकर्ताओं ने अपने नए मेम्रिस्टर के साथ कुछ समान हासिल किया है।

मेम्रिस्टर मस्तिष्क की कोशिकाओं की तरह व्यवहार करते हैं और बहुत कम ऊर्जा खपत करते हैं। एक प्रकार की रेजिस्टेंस‑स्विचिंग मेमोरी डिवाइस के रूप में, मेम्रिस्टर लागू वोल्टेज के आधार पर अपनी रेजिस्टेंस बदल सकते हैं। वोल्टेज बंद होने के बाद भी, उनकी रेजिस्टेंस मान संरचनात्मक परिवर्तन के कारण बना रहता है।

Peter Grünberg Institute (PGI-7) के Ilia Valov ने कहा:

“मेम्रिस्टिव तत्वों को मस्तिष्क पर आधारित, सीखने‑सक्षम, न्यूरो‑प्रेरित कंप्यूटर घटकों के आदर्श उम्मीदवार माना जाता है।”

हालांकि महत्वपूर्ण प्रगति हुई है, घटकों का व्यावसायीकरण उत्पादन में उच्च विफलता दर, उत्पाद की छोटी आयु, और यांत्रिक प्रभावों के प्रति संवेदनशीलता के कारण बहुत धीमी गति से हो रहा है, जिससे संचालन के दौरान खराबी हो सकती है।

यह बेहतर नैनो‑स्केल प्रक्रियाओं के नियंत्रण, साथ ही नई सामग्री और स्विचिंग मैकेनिज़्म की खोज की आवश्यकता रखता है, ताकि सिस्टम की जटिलता घटे और कार्यक्षमता का दायरा बढ़े, Valov ने कहा।

इस उद्देश्य के लिए, जर्मन और चीनी वैज्ञानिकों ने मिलकर “एक मौलिक नई इलेक्ट्रोकेमिकल मेम्रिस्टिव मैकेनिज़्म की खोज की है जो रासायनिक और विद्युत रूप से अधिक स्थिर है”, जो न्यूरोसाइंस अनुप्रयोगों के क्षितिज को विस्तारित करेगा।

AI‑सक्षम मस्तिष्क चिप्स कैसे मानव विकास की अगली छलांग को प्रेरित करेंगे, यह जानने के लिए यहाँ क्लिक करें।

मेम्रिस्टर ब्रेकथ्रू फॉर AI’s कंटिन्युअल लर्निंग

यह अध्ययन जर्नल Nature Communications¹ में प्रकाशित हुआ, जिसमें द्विध्रुवीय मेम्रिस्टरों के कार्य करने के दो मुख्य तंत्र पहचाने गए:

1. इलेक्ट्रोकेमिकल मेटैलिकेशन (ECM)
2. वैलेंस चेंज मैकेनिज़्म (VCM)

ECM मेम्रिस्टर दो इलेक्ट्रोड के बीच एक धातु फ़िलामेंट बनाते हैं। यह छोटा “कंडक्टिव ब्रिज” विद्युत प्रतिरोध को बदलता है और वोल्टेज उलटने पर घुल जाता है। यह कम स्विचिंग वोल्टेज और तेज़ स्विचिंग समय की अनुमति देता है, लेकिन उत्पन्न स्थितियाँ परिवर्तनशील और अल्पकालिक होती हैं।

VCM मेम्रिस्टर इलेक्ट्रोड और इलेक्ट्रोलाइट के इंटरफ़ेस पर ऑक्सीजन आयनों की गति द्वारा शॉट्की बाधा बदलकर प्रतिरोध बदलते हैं। यह तुलनात्मक रूप से स्थिर है, लेकिन उच्च स्विचिंग वोल्टेज की आवश्यकता होती है।

प्रत्येक प्रक्रिया के अपने फायदे और नुकसान हैं, इसलिए टीम ने दोनों प्रकारों के लाभों को मिलाकर एक मेम्रिस्टर डिजाइन किया, जिसे पहले असंभव माना जाता था।

नया मेम्रिस्टर धातु ऑक्साइड से बना फ़िलामेंट उपयोग करता है (ECM की पूरी धातुात्मक संरचना के बजाय), जो ऑक्सीजन और टैंटालम आयनों की गति से बनता है। यह बहुत स्थिर है और पूरी तरह से नहीं घुलता।

“इसे आप ऐसे फ़िलामेंट के रूप में सोच सकते हैं जो हमेशा कुछ हद तक मौजूद रहता है और केवल रासायनिक रूप से संशोधित होता है।”

– Valov

नया, मजबूत स्विचिंग मैकेनिज़्म को फ़िलामेंट कंडक्टिविटी मॉडिफिकेशन मैकेनिज़्म (FCM) कहा जाता है। इस मैकेनिज़्म पर आधारित घटक उच्च तापमान के प्रति अधिक प्रतिरोधी होते हैं, कम वोल्टेज पर निर्मित होते हैं, व्यापक वोल्टेज विंडो रखते हैं, और रासायनिक तथा विद्युत रूप से अधिक स्थिर होते हैं। उनका जीवनकाल भी लंबा होता है क्योंकि उत्पादन के दौरान कम घटक जलते हैं, जिससे अस्वीकृति दर कम होती है।

विभिन्न ऑक्सीकरण अवस्थाएँ मेम्रिस्टर को बाइनरी और एनालॉग दोनों मोड में कार्य करने की अनुमति देती हैं, जो “विनाशकारी भूल” की समस्या को दूर करने में मदद कर सकती हैं।

Valov ने बताया कि नया दो‑टर्मिनल ओमिक मेम्रिस्टर की “विशिष्ट विशेषताएँ” विभिन्न स्विचिंग मोड के उपयोग की अनुमति देती हैं, जिससे मेम्रिस्टर का मॉड्यूलेशन इस तरह नियंत्रित किया जा सकता है कि संग्रहीत जानकारी खो न जाए।

शोधकर्ताओं ने पहले ही इस नए मेम्रिस्टिव घटक को एक कृत्रिम न्यूरल नेटवर्क मॉडल में सिमुलेशन के माध्यम से लागू किया है, जिससे कई इमेज डेटासेट पर उच्च पैटर्न पहचान सटीकता प्राप्त हुई है।

टीम अब अन्य सामग्रियों की खोज करेगी जो संभवतः बेहतर और अधिक स्थिर हों। Valov को विश्वास है कि उनके “परिणाम ‘computation‑in‑memory’ अनुप्रयोगों के लिए इलेक्ट्रॉनिक्स के विकास को आगे बढ़ाएंगे।”

अब, AI क्षेत्र की प्रमुख कंपनियों में से एक है Microsoft (MSFT ), जिसने ChatGPT निर्माता OpenAI में $12 बिलियन निवेश किए हैं और Copilot, Azure AI Studio, तथा Microsoft 365, Dynamics 365, और Power Platform में AI‑संचालित टूल्स जैसी AI उत्पाद प्रदान करता है। इस $2.9 ट्रिलियन मार्केट‑कैप टेक दिग्गज के शेयर वर्तमान में $394.58 पर ट्रेड हो रहे हैं, YTD में 7.17% गिरावट के साथ। 31 दिसंबर, 2024 को समाप्त तिमाही के लिए, इसने रिपोर्ट किया कि राजस्व में 12% की वृद्धि होकर $69.6 बिलियन और डाइल्यूटेड EPS $3.23 हो गया।

Microsoft के CEO Satya Nadella के अनुसार:

“हम अपनी तकनीकी स्टैक में नवाचार कर रहे हैं और ग्राहकों को AI के पूर्ण ROI को अनलॉक करने में मदद कर रहे हैं ताकि वे सामने आने वाले विशाल अवसर को पकड़ सकें। पहले ही, हमारा AI व्यवसाय वार्षिक $13 बिलियन की राजस्व रन‑रेट को पार कर चुका है, जो वर्ष‑दर‑वर्ष 175% की वृद्धि है।”

Latest on Microsoft

AI स्वास्थ्य देखभाल में, पार्किंसन निदान में सुधार

स्वास्थ्य देखभाल क्षेत्र में, AI लागत घटाने और बेहतर रोगी परिणाम प्राप्त करने में मदद कर रहा है, जिससे रोग पहचान, उपचार, और रोगी देखभाल में सुधार होता है, साथ ही रोग का पता लगाने, व्यक्तिगत दवा, और प्रशासनिक कार्यों की दक्षता बढ़ती है।

अब, AI चिकित्सकों को पार्किंसन रोग और संबंधित स्थितियों का तेज़ और अधिक सटीक विभेदक निदान करने में मदद करेगा।

पार्किंसन रोग का निदान वर्तमान में मूल्यांकन के पहले पाँच वर्षों में 55% से 78% के बीच रहता है, क्योंकि इसके समान लक्षणों वाले अन्य गति विकार भी होते हैं, जिससे प्रारंभिक निदान कठिन हो जाता है।

हालांकि, फ़्लोरिडा विश्वविद्यालय और UF Health Norman Fixel Institute for Neurological Diseases के शोधकर्ताओं द्वारा विकसित एक नया AI मॉडल 96% से अधिक की सटीकता दर का दावा करता है।

जैसा कि अध्ययन ने बताया, इमेजिंग‑आधारित दृष्टिकोण को लागू करके पार्किंसन रोग (PD), प्रोग्रेसिव सुप्रान्युक्लियर पाल्सी (PSP), और मल्टिपल सिस्टम एट्रोफ़ी (MSA) के पार्किंसनियन वैरिएंट्स के बीच अंतर करना विशेष रूप से चुनौतीपूर्ण रहा है। हालांकि, हालिया डेटा ने दिखाया है कि डिफ्यूज़न‑वेटेड MRI को रोग‑विशिष्ट मशीन लर्निंग (ML) एल्गोरिदम के साथ जोड़कर यह संभव है।

National Institutes of Health द्वारा वित्त पोषित और JAMA Neurology में प्रकाशित² इस अध्ययन ने Automated Imaging Differentiation for Parkinsonism (AIDP) को विस्तृत किया, जो एक स्वचालित MRI प्रोसेसिंग और ML सॉफ़्टवेयर है जिसमें एक गैर‑आक्रामक बायोमार्कर तकनीक शामिल है।

MRI निर्माताओं, David Vaillancourt, जो UF Department of Applied Physiology and Kinesiology के प्रोफेसर हैं, ने कहा कि वे बाजार प्रतिस्पर्धा के कारण एक‑दूसरे से संवाद नहीं करते और अपने स्वयं के सॉफ़्टवेयर और सीक्वेंसेज़ का उपयोग करते हैं।

इसलिए, शोधकर्ताओं ने “ऐसा नया सॉफ़्टवेयर विकसित किया जो सभी पर काम करता है।” यह टूल चिकित्सकों को विभिन्न विकारों के बीच उनके निदान की प्रभावशीलता बढ़ाने में मदद करेगा, Vaillancourt ने कहा।

जबकि AIDP में डिफ्यूज़न‑वेटेड MRI न्यूरोडीजेनेरेशन के स्थान को पानी के अणुओं की गति मापकर पहचानता है, एल्गोरिद्म स्कैन का विश्लेषण करके परिणाम प्रदान करता है।

एल्गोरिद्म को 21 साइटों में, जिनमें दो कनाडा और 19 यूएस साइटें शामिल हैं, में व्यक्तिगत क्लिनिक निदानों के खिलाफ कठोर परीक्षण किया गया है।

“यह वह उदाहरण है जहाँ प्रौद्योगिकी और कृत्रिम बुद्धिमत्ता के बीच नवाचार ने निदान की सटीकता को बढ़ाया है, जिससे हमें पार्किंसन रोग वाले रोगियों के उपचार को और बेहतर बनाने का अवसर मिला है।”

– Michael Okun, M.D., Norman Fixel Institute for Neurological Diseases, UF Health के निदेशक।

शोधकर्ता अब इस तकनीक को अमेरिकी खाद्य एवं औषधि प्रशासन (FDA) से अनुमोदन प्राप्त करने की दिशा में ले जा रहे हैं।

मामोग्राम के माध्यम से हृदय‑संबंधी जोखिम की भविष्यवाणी के लिए AI का उपयोग

एक अन्य डीप‑लर्निंग मॉडल ने mammogram छवियों के आधार पर हृदय‑संबंधी जोखिम की भविष्यवाणी करने की क्षमता दिखाई है, जो एक महत्वपूर्ण कैंसर स्क्रीनिंग टूल है। यह अध्ययन American College of Cardiology (ACC) की वार्षिक वैज्ञानिक सत्र में प्रस्तुत किया गया, जिसमें AI को mammogram के साथ जोड़कर स्तन ऊतक में धमनियों में कैल्शियम जमा को विश्लेषित किया गया।

धमनियों में कैल्शियम जमा होना हृदय‑संबंधी क्षति का संकेत है, जो उम्र बढ़ने या प्रारंभिक हृदय रोग से जुड़ा है। पूर्व अध्ययनों के अनुसार, धमनियों में कैल्शियम जमा वाली महिलाओं में हृदय रोग और स्ट्रोक का जोखिम 51% अधिक होता है।

संयुक्त राज्य में हृदय रोग महिलाओं में प्रमुख मृत्यु कारण है, फिर भी यह अक्सर कम निदान किया जाता है। AI‑संचालित mammogram स्क्रीनिंग टूल इस अंतर को पाट सकते हैं, क्योंकि कई महिलाएँ नियमित रूप से mammogram करवाती हैं।

अमेरिका में लगभग 40 मिलियन mammogram हर साल किए जाते हैं। ये एक्स‑रे स्तन कैंसर की स्क्रीनिंग के लिए उपयोग होते हैं। जबकि इन छवियों में स्तन धमनियों में कैल्शियम दिखता है, यह जानकारी रोगियों या चिकित्सकों को रिपोर्ट नहीं की जाती।

नया अध्ययन AI इमेज विश्लेषण तकनीक का उपयोग करके इस अंतर को भरता है, जिससे स्वचालित रूप से कैल्शियम का आकलन किया जाता है और हृदय‑संबंधी जोखिम रेटिंग प्रदान की जाती है। अध्ययन के प्रमुख लेखक Theo Dapamede, MD, PhD, और Emory University के पोस्ट‑डॉक्टर ने कहा:

“हम महिलाओं को कैंसर स्क्रीनिंग के साथ-साथ उनके mammogram से हृदय‑संबंधी स्क्रीनिंग भी प्रदान करने का अवसर देख रहे हैं। हमारा अध्ययन दिखाता है कि स्तन धमनियों में कैल्शियम हृदय रोग का अच्छा पूर्वानुमानक है, विशेष रूप से 60 वर्ष से कम आयु के रोगियों में। यदि हम इन रोगियों को जल्दी पहचानें, तो हम उन्हें कार्डियोलॉजिस्ट के पास आगे के जोखिम मूल्यांकन के लिए भेज सकते हैं।”

टूल बनाने के लिए, शोधकर्ताओं ने AI मॉडल को mammogram छवियों में कैल्शियमयुक्त धमनियों को सेगमेंट करने के लिए प्रशिक्षित किया। मॉडल फिर इन उज्ज्वल पिक्सेल का उपयोग करके भविष्य में हृदय‑संबंधी घटनाओं के जोखिम की गणना करता है, 56,000 से अधिक रोगियों के डेटा पर आधारित।

“डीप‑लर्निंग और AI में प्रगति ने छवियों से अधिक जानकारी निकालने और उसका उपयोग करके अवसरवादी स्क्रीनिंग को संभव बना दिया है।”

– Dapamede

अध्ययन के परिणाम दर्शाते हैं कि नया मॉडल कम, मध्यम या उच्च जोखिम वाले रोगियों के हृदय‑संबंधी जोखिम को mammogram छवियों के आधार पर पहचानने में अच्छा प्रदर्शन करता है।

उनके अनुसार, 60 वर्ष से कम आयु की महिलाओं में और 60‑80 वर्ष की महिलाओं में स्तन धमनियों में कैल्शियम की मात्रा के आधार पर दो और पाँच साल में हृदय‑आक्रमण, स्ट्रोक या किसी भी कारण से मृत्यु की जोखिम दर बढ़ती है।

यह टूल विशेष रूप से युवा महिलाओं में हृदय रोग जोखिम की प्रारंभिक चेतावनी प्रदान करने के लिए उपयुक्त है, जिससे शीघ्र हस्तक्षेप संभव हो सके।

अध्ययन के परिणाम यह भी दर्शाते हैं कि 40 mm² से अधिक कैल्शियम स्तर वाली महिलाओं में पाँच‑वर्षीय इवेंट‑फ्री सर्वाइवल दर सबसे कम थी, जबकि 10 mm² से कम स्तर वाली महिलाओं में यह सबसे अधिक थी।

शोधकर्ताओं का अगला कदम FDA से अनुमोदन प्राप्त करना और इसे व्यापक उपयोग के लिए उपलब्ध कराना है। भविष्य में वे इसी तरह के AI मॉडल को अन्य स्थितियों, जैसे किडनी रोग, के बायोमार्कर विश्लेषण के लिए भी विकसित करने की योजना बना रहे हैं, जो mammogram से निकाले जा सकते हैं।

अब, स्वास्थ्य‑सेवा में AI को आगे बढ़ाने वाली कंपनियों में GE HealthCare Technologies (GEHC ) प्रमुख है, जो इस तकनीक में भारी निवेश कर रहा है और इसे अपने उत्पादों में एकीकृत कर रोगी देखभाल और क्लिनिशियन वर्कफ़्लो को सुधार रहा है। इस $37.26 बिलियन मार्केट‑कैप कंपनी के शेयर वर्तमान में $81.49 पर ट्रेड हो रहे हैं, 4.23% की वृद्धि के साथ। 4Q24 में, उसकी राजस्व $5.3 बिलियन तक 2% बढ़ी, जबकि डाइल्यूटेड EPS $1.57 था।

Latest on GE Healthcare Technologies

AI सामग्री विज्ञान में: पतली फिल्म विकास प्रक्रियाओं का अनुकूलन

सामग्री विज्ञान आधुनिक प्रगति के लिए महत्वपूर्ण है, क्योंकि यह नई सामग्रियों के विकास और मौजूदा सामग्रियों में सुधार को सक्षम बनाता है। AI इस क्षेत्र में नई सामग्रियों की खोज और डिजाइन को तेज़ करने, मौजूदा सामग्रियों को अनुकूलित करने, और निर्माण प्रक्रियाओं को सुधारने में योगदान दे रहा है।

टोक्यो यूनिवर्सिटी ऑफ साइंस (TUS) के प्रोफेसर Masato Kotsugi के नेतृत्व में शोधकर्ताओं ने अब AI का उपयोग करके पतली फिल्म विकास प्रक्रियाओं को अनुकूलित किया है, जिसमें डेंड्रिटिक वृद्धि की भविष्यवाणी की गई है।

ये प्रक्रियाएँ अर्धचालक उपकरणों, संचार तकनीकों, और सेंसर तकनीकों के विकास में महत्वपूर्ण भूमिका निभाती हैं।

अब, पतली फिल्में सब्सट्रेट पर छोटे‑छोटे परतों को जमा करके बनाई जाती हैं। हालांकि, मल्टी‑लेयर फिल्म उपकरणों के प्रदर्शन को पूरी तरह से उपयोग करने के लिए, सब्सट्रेट को सटीक रूप से निर्मित करना आवश्यक है, क्योंकि इसका संरचनात्मक विन्यास पर बड़ा प्रभाव पड़ता है, जो फिर कार्य और प्रदर्शन को प्रभावित करता है।

हालाँकि, संरचनाएँ वृद्धि प्रक्रिया की स्थितियों जैसे संरचना, वायुमंडल, और सतह दोषों से काफी प्रभावित होती हैं। बड़े‑क्षेत्रीय निर्माण के दौरान, जो व्यावसायिक अनुप्रयोग के लिए महत्वपूर्ण है, डेंड्रिटिक संरचनाओं के रूप में एक प्रमुख बाधा उत्पन्न होती है।

ये पेड़‑जैसे शाखा पैटर्न पतली फिल्म की समतलता को कम करते हैं और ग्रेफ़ीन, कॉपर, और बोरॉफ़ेन जैसी सामग्रियों में अक्सर देखे जाते हैं, विशेष रूप से शुरुआती विकास चरण और मल्टी‑लेयर फिल्म में।

चूँकि माइक्रोस्ट्रक्चर सीधे डिवाइस के प्रदर्शन को प्रभावित करता है, डेंड्रिटिक गठन को कम करना अत्यावश्यक है। इसके लिए हमें पहले उस स्थिति को समझना होगा जो डेंड्रिटिक शाखा का कारण बनती है। मौजूदा डेंड्राइट अध्ययन विधियाँ सरल दृश्य विश्लेषण और व्यक्तिपरक व्याख्या पर निर्भर हैं, जिसके लिए काफी परीक्षण‑और‑त्रुटि की आवश्यकता होती है।

इन समस्याओं को हल करने के लिए, शोधकर्ताओं ने एक AI मॉडल बनाया जो डेंड्रिटिक संरचनाओं का विश्लेषण करता है। यह नवाचारी विधि मशीन लर्निंग (ML) और स्थायी होमोलॉजी (PH) को ऊर्जा विश्लेषण के साथ एकीकृत करती है, जिससे डेंड्रिटिक वृद्धि में संरचना और प्रक्रिया को जोड़ने का मार्ग मिलता है।

“हमारा दृष्टिकोण वृद्धि तंत्रों में नई अंतर्दृष्टि प्रदान करता है और पतली‑फिल्म निर्माण को अनुकूलित करने के लिए एक शक्तिशाली, डेटा‑आधारित मार्ग प्रदान करता है।”

– Prof. Kotsugi

AI, PH, एवं ऊर्जा विश्लेषण को मिलाकर डेंड्रिटिक वृद्धि का अध्ययन

Science and Technology of Advanced Materials: Methods में प्रकाशित³, अध्ययन मॉडल का विवरण देता है जो स्थायी होमोलॉजी (PH) का उपयोग करके डेंड्रिटिक माइक्रोस्ट्रक्चर की जटिल टोपोलॉजिकल विशेषताओं को पकड़ता है, जिन्हें पारंपरिक इमेज प्रोसेसिंग तकनीकों द्वारा अक्सर अनदेखा किया जाता है।

जबकि PH छिद्रों और कनेक्शन की बहु‑स्तरीय मूल्यांकन की अनुमति देता है, मशीन लर्निंग तकनीक प्रिंसिपल कंपोनेंट एनालिसिस (PCA) ने PH द्वारा निकाले गए डेंड्राइट आकार विशेषताओं को 2D स्पेस में घटाया।

इससे टीम को डेंड्राइट में संरचनात्मक परिवर्तन को मात्रात्मक रूप से मापने और इन परिवर्तनों तथा सामग्री में मुक्त ऊर्जा के बीच संबंध स्थापित करने में मदद मिली, जो डेंड्राइट के गठन को प्रभावित करता है।

इस संबंध का मूल्यांकन करने पर, टीम ने उन विशिष्ट स्थितियों और छिपे हुए वृद्धि तंत्रों की खोज की जो डेंड्रिटिक शाखा को प्रभावित करते हैं।

“हमारा ढांचा डेंड्रिटिक आकार को Gibbs मुक्त ऊर्जा परिवर्तन के साथ मात्रात्मक रूप से मानचित्रित करता है, जिससे ऊर्जा ग्रेडिएंट उजागर होते हैं जो शाखा व्यवहार को संचालित करते हैं।”

– Kotsugi

टीम ने फिर हेक्सागोनल कॉपर (Cu) सब्सट्रेट में डेंड्रिटिक वृद्धि का अध्ययन किया और अपने दृष्टिकोण को सत्यापित करने के लिए फेज‑फ़ील्ड सिमुलेशन डेटा के साथ तुलना की। Kotsugi ने कहा:

“टोपोलॉजी और मुक्त ऊर्जा को एकीकृत करके, हमारा तरीका सामग्री विश्लेषण के लिए एक बहुमुखी दृष्टिकोण प्रदान करता है। इस एकीकरण के माध्यम से, हम एटॉमिक‑स्केल माइक्रोस्ट्रक्चर और मैक्रोस्कोपिक कार्यात्मकताओं के बीच एक पदानुक्रमिक संबंध स्थापित कर सकते हैं, जो विभिन्न सामग्रियों में भविष्य के उन्नति के मार्ग को प्रशस्त करता है।”

उनके अनुसार, यह विधि उच्च‑गति संचार (5G से परे) के लिए उच्च‑गुणवत्ता वाली पतली‑फिल्म उपकरणों और असंतुलित भौतिकी, सेंसर तकनीक, और उच्च‑प्रदर्शन सामग्री के विकास की ओर ले जा सकती है।

अब, यदि हम सामग्री विज्ञान के प्रमुख नामों की बात करें जो AI का उपयोग करके नवाचार कर रहे हैं, तो Applied Materials (AMAT ) शीर्ष में है। यह AI(x) प्लेटफ़ॉर्म, ExtractAI, और SEMVision™ H20 System के माध्यम से अर्धचालक चिप निर्माण को AI से सुदृढ़ करता है। इस $123.6 बिलियन मार्केट‑कैप कंपनी के शेयर वर्तमान में $151 पर ट्रेड हो रहे हैं, YTD में 6.5% गिरावट के साथ। 1Q25 के लिए, इसने रिपोर्ट किया कि राजस्व में 7% की वृद्धि होकर $7.17 बिलियन, GAAP EPS $1.45 और गैर‑GAAP EPS $2.38 हुआ।

“उन्नत कंप्यूट और अधिक परिष्कृत AI के विकास को तेज़ करने के लिए उद्योग का ड्राइव गति पकड़ रहा है। Applied Materials ऊर्जा‑कुशल AI के लिए आवश्यक प्रमुख डिवाइस आर्किटेक्चर इन्फ्लेक्शन को सक्षम कर रहा है, और हमारी उच्च‑गति सह‑नवाचार पर फोकस हमारे ग्राहकों और साझेदारों के साथ अनोखे सहयोग अवसर बनाता है, जिससे Applied भविष्य में निरंतर वृद्धि और बेहतर प्रदर्शन के लिए तैयार है।”

– CEO Gary Dickerson पिछले महीने

Latest on Applied Materials

निष्कर्ष

AI ने पहले ही विभिन्न उद्योगों में व्यवसायों को बदल दिया है। नवाचार की तेज़ गति अब दीर्घकालिक चुनौतियों के लिए क्रांतिकारी समाधान प्रदान कर रही है। इन प्रगति, चाहे वह सामग्री विज्ञान, चिकित्सा निदान, व्यक्तिगत सुपरकंप्यूटर, या AI की अपनी सीखने की चुनौतियों के समाधान हों, हमें एक ऐसे युग में ले जा रही हैं जो अभूतपूर्व परिवर्तन का वादा करता है।

जैसे-जैसे AI विकसित होता रहेगा, उसकी उत्पादकता बढ़ाने, निर्णय‑निर्धारण में सुधार करने, और नई सीमाओं को खोलने की क्षमता इसे भविष्य को आकार देने वाली सबसे शक्तिशाली ताकतों में से एक बनाती है।

AI (कृत्रिम बुद्धिमत्ता) में निवेश के बारे में सब कुछ जानने के लिए यहाँ क्लिक करें।