மைக்ரோசாஃப்ட் புதிய பொருள் வடிவமைப்பு AI மாடல் துல்லியத்தை 10 மடங்கு அதிகரிக்கிறது

மேட்டர்ஜென்: ஒரு புரட்சிகர AI மாடல் பொருள் வடிவமைப்பிற்காக

மைக்ரோசாஃப்ட் நிறுவனம் மேட்டர்ஜென் என்ற ஒரு புதிய பெரிய மொழி மாதிரியை அறிமுகப்படுத்தியுள்ளது. இது கனிமப் பொருட்களை உருவாக்குவதற்காக வடிவமைக்கப்பட்டுள்ளது. இந்த புதுமையான மாடல், பரவல் மாதிரி கட்டமைப்பைக் கொண்டு, அணு வகைகள், அவற்றின் ஒருங்கிணைப்புகள் மற்றும் ஆவர்த்தன அணிக்கோவைகளை படிப்படியாக மேம்படுத்தும் திறன் கொண்டது. இது பல்வேறு புதிய கனிமப் பொருட்களை விரைவாக உருவாக்க அனுமதிக்கிறது. இதன் ஆற்றலுக்கான ஒரு சிறந்த எடுத்துக்காட்டு ஆற்றல் துறையில் உள்ளது, அங்கு மேட்டர்ஜென் நாவல் லித்தியம்-அயன் பேட்டரி காத்தோட் பொருட்களை உருவாக்க முடியும்.

அணுக்களின் வகைகளை சரிசெய்வதன் மூலம், தனித்துவமான எலக்ட்ரானிக் கட்டமைப்புகளுடன் மாறுதல் உலோக கூறுகளை அறிமுகப்படுத்துவதன் மூலமும், அணிக்கோவைக்குள் அவற்றின் இருப்பிடத்தை துல்லியமாக தீர்மானிப்பதன் மூலமும், மேட்டர்ஜென் தனித்துவமான நுண்ணிய கட்டமைப்புகளுடன் படிக அணிக்கோவைகளின் வளர்ச்சியை செயல்படுத்துகிறது. இது பேட்டரி ஆயுள் மற்றும் செயல்திறனை கணிசமாக மேம்படுத்தும் திறன் கொண்டது.

மேட்டர்ஜென் மூலம் மேம்படுத்தப்பட்ட பொருள் கண்டுபிடிப்பு

பாரம்பரிய பொருள் கண்டுபிடிப்பு முறைகளுடன் ஒப்பிடும்போது, மேட்டர்ஜென் இரண்டு மடங்கு அதிகமாக நிலையான, தனித்துவமான மற்றும் புதுமையான பொருட்களை உருவாக்குகிறது. மேலும், உருவாக்கப்பட்ட கட்டமைப்புகள் அவற்றின் அடர்த்தி செயல்பாட்டு கோட்பாடு (DFT) உள்ளூர் ஆற்றல் குறைந்தபட்சத்திற்கு சுமார் பத்து மடங்கு நெருக்கமாக உள்ளன. இது மின்சார வாகனங்கள், விண்வெளி மற்றும் மின்னணு சில்லுகள் போன்ற உயர் தொழில்நுட்ப துறைகளுக்கு மேட்டர்ஜென் ஒரு விலைமதிப்பற்ற கருவியாக ஆக்குகிறது.

ஒரு எளிமைப்படுத்தப்பட்ட ஒப்புமை: மேட்டர்ஜென் மூலம் உருவாக்குதல்

இந்த சிக்கலான கருத்தை புரிந்து கொள்ள உதவ, நீங்கள் ஒரு வீடு கட்ட விரும்புகிறீர்கள் என்று கற்பனை செய்து பாருங்கள். பாரம்பரிய முறைகளில் ஏற்கனவே உள்ள வடிவமைப்புகளிலிருந்து தேர்ந்தெடுப்பது அடங்கும், இது உங்கள் தேவைகளுக்கு சரியாக பொருந்தாது.

மறுபுறம், மேட்டர்ஜென் உங்கள் சரியான தேவைகளை குறிப்பிட அனுமதிக்கிறது. நீங்கள் சொல்லலாம், "எனக்கு ஒரு உடற்பயிற்சி கூடம், ஒரு கேமிங் அறை, இரண்டு சிறிய படுக்கையறைகள், ஒரு மாஸ்டர் படுக்கையறை மற்றும் ஒரு சிறிய தோட்டம் கொண்ட ஐந்து படுக்கையறை வீடு வேண்டும். டிராகன் மற்றும் ஃபீனிக்ஸ் அலங்காரங்களுடன் கூடிய சீன பாணி கட்டிடக்கலை எனக்கு வேண்டும்."

சுருக்கமாக, மேட்டர்ஜென் கனிம பொருள் கண்டுபிடிப்பின் சிக்கலான செயல்முறையை ஒரு விரிவான ஜெனரேட்டிவ் செயல்முறை மூலம் உடைக்கிறது. இது குறிப்பிட்ட தேவைகளின் அடிப்படையில் சிறந்த பொருள் சேர்க்கைகள் மற்றும் கட்டமைப்பு தளவமைப்புகளை ஆராய்ந்து உருவாக்குகிறது.

இது வெவ்வேறு பண்புகளைக் கொண்ட கட்டுமானப் பொருட்களைத் தேர்ந்தெடுப்பது போல, பொருத்தமான அணு வகைகளைத் தேர்ந்தெடுப்பதன் மூலம் தொடங்குகிறது.

பின்னர் இது ஒவ்வொரு செங்கலையும் துல்லியமாக வைப்பது போல், இந்த அணுக்களின் ஒருங்கிணைப்புகளை விண்வெளியில் துல்லியமாக தீர்மானிக்கிறது.

இறுதியாக, இது ஒரு வலுவான மற்றும் தனித்துவமான கட்டமைப்பை உருவாக்கும் ஒரு சரியான ஆவர்த்தன அணிக்கோவையை உருவாக்குகிறது.

பொருள் அறிவியலில் AI இன் சக்தி

AI இன் விரைவான முன்னேற்றங்கள் பல்வேறு துறைகளை மறுவடிவமைக்கின்றன, மேலும் பொருள் அறிவியல் இதற்கு விதிவிலக்கல்ல. புதிய சூப்பர் கண்டக்டர்களைக் கண்டுபிடிப்பதற்கும், கணினி செயல்திறனை அதிகரிப்பதற்கும், பின்னர் இன்னும் அதிகமான சூப்பர் கண்டக்டிங் பொருட்களைக் கண்டுபிடிப்பதற்கும் மேட்டர்ஜென் திறன் இதற்கு சான்றாகும். இது ஒரு சுய-வலுவூட்டும் சுழற்சியாகும், இதில் AI தொடர்ந்து எல்லாவற்றையும் செம்மைப்படுத்தி மேம்படுத்துகிறது.

சாத்தியமான பயன்பாடுகள் மற்றும் தாக்கம்

• பேட்டரி தொழில்நுட்பம்: மேட்டர்ஜென் பேட்டரி செல் சேர்க்கைகளை புரட்சிகரமாக்க முடியும், இது ஒரு முக்கியமான விவாதத்திற்கும் தேவைக்கும் உள்ள ஒரு பகுதியாகும். இந்த மாதிரி நேர்மறை மின்முனை செயலில் உள்ள பொருட்களை உற்பத்தி செய்வதில் உதவக்கூடும்.
• AGI தாக்கங்கள்: இந்த மாதிரியின் திறன்கள் செயற்கை பொது நுண்ணறிவை (AGI) நோக்கிய ஒரு முன்னேற்றம் என்று கூறுகிறது.
• உலகளாவிய சவால்கள்: காலநிலை மாற்றம் போன்ற உலகளாவிய சவால்களை எதிர்கொள்வதற்கு இந்த தொழில்நுட்பம் நம்பிக்கையை அளிக்கிறது.

மேட்டர்ஜென் கட்டமைப்பு: பரவல் செயல்முறை

மேட்டர்ஜென்னின் மையத்தில் பரவல் செயல்முறை உள்ளது, இது அதிக செறிவுள்ள பகுதிகளிலிருந்து குறைந்த செறிவுள்ள பகுதிகளுக்கு துகள்கள் நகரும் இயற்பியல் நிகழ்வால் ஈர்க்கப்பட்டுள்ளது, அது ஒரு சமமான விநியோகத்தை அடையும் வரை. பொருள் வடிவமைப்பில், இந்த செயல்முறை ஒரு சீரற்ற ஆரம்ப நிலையிலிருந்து ஒரு ஒழுங்கமைக்கப்பட்ட மற்றும் நிலையான படிக கட்டமைப்பை உருவாக்க மாற்றியமைக்கப்படுகிறது.

இந்த செயல்முறை எந்த இயற்பியல் முக்கியத்துவமும் இல்லாத ஒரு சீரற்ற ஆரம்ப கட்டமைப்பில் தொடங்குகிறது. பின்னர், தொடர்ச்சியான படிநிலைகளின் மூலம், மேட்டர்ஜென் ஆரம்ப கட்டமைப்பில் "சத்தத்தை" குறைக்கிறது, இது ஒரு உண்மையான படிக கட்டமைப்பிற்கு நெருக்கமாக கொண்டுவருகிறது. இது சீரற்றது அல்ல; இது இயற்பியல் சட்டங்கள் மற்றும் பொருள் அறிவியல் கொள்கைகளால் வழிநடத்தப்படுகிறது.

ஒவ்வொரு மறு செய்கையிலும், மேட்டர்ஜென் அணு வகைகள், ஒருங்கிணைப்புகள் மற்றும் அணிக்கோவை அளவுருக்களைச் செம்மைப்படுத்துகிறது. இந்த சரிசெய்தல்கள் ஒரு முன் வரையறுக்கப்பட்ட, உடல் ரீதியாக உந்துதல் விநியோகத்தின் அடிப்படையில் செய்யப்படுகின்றன, இது மாதிரி பிணைப்பு நீளங்கள், பிணைப்பு கோணங்கள் மற்றும் அணிக்கோவை சமச்சீர்மை போன்ற உண்மையான இயற்பியல் பண்புகளை கருத்தில் கொள்வதை உறுதி செய்கிறது.

ஒருங்கிணைப்பு பரவல் படிகத்தின் கால எல்லைகளை மதிக்கிறது, அணு நிலைகளை சரிசெய்ய ஒரு போர்த்தப்பட்ட இயல்பான விநியோகத்தைப் பயன்படுத்துகிறது, அணுக்கள் படிகத்தின் கால கட்டமைப்பை விட்டு வெளியேறாமல் தடுக்கிறது.

அணிக்கோவை பரவல் ஒரு சமச்சீர் வடிவத்தைப் பயன்படுத்துகிறது, அங்கு விநியோகத்தின் சராசரி ஒரு கனசதுர அணிக்கோவையாகும், மேலும் சராசரி அணு அடர்த்தி பயிற்சி தரவுகளிலிருந்து பெறப்படுகிறது, இது உருவாக்கப்பட்ட கட்டமைப்புகளின் ஸ்திரத்தன்மை மற்றும் உடல் ரீதியான பொருத்தத்தை உறுதி செய்கிறது.

சமமான ஸ்கோர் நெட்வொர்க்குகளின் பங்கு

சமமான ஸ்கோர் நெட்வொர்க் மேட்டர்ஜென்னின் மற்றொரு முக்கிய அங்கமாகும். இது பரவல் செயல்முறையிலிருந்து அசல் படிக கட்டமைப்பை மீட்டெடுக்க கற்றுக்கொள்கிறது. இந்த நெட்வொர்க்கின் வடிவமைப்பு சமமான கொள்கையை அடிப்படையாகக் கொண்டது, அதாவது ஒரு அமைப்பு சில மாற்றங்களின் கீழ் சில பண்புகளைத் தக்கவைக்கிறது. படிகப் பொருட்களைப் பொறுத்தவரை, பொருள் பண்புகள் சுழற்சி மற்றும் மொழிபெயர்ப்பின் போது மாறாமல் இருக்கும் என்று இது குறிக்கிறது.

நெட்வொர்க் அணு வகைகள், ஒருங்கிணைப்புகள் மற்றும் அணிக்கோவைகளுக்கான சமமான மதிப்பெண்களை வெளியிடுகிறது. இந்த மதிப்பெண்கள் தற்போதைய கட்டமைப்பில் உள்ள ஒவ்வொரு அணு மற்றும் அணிக்கோவை அளவுருவின் "பொருத்தமின்மை", அல்லது அவற்றின் சிறந்த படிக கட்டமைப்பிலிருந்து விலகல் ஆகியவற்றைக் குறிக்கின்றன. இந்த மதிப்பெண்களைக் கணக்கிடுவதன் மூலம், நெட்வொர்க் அணுக்கள் மற்றும் அணிக்கோவை அளவுருக்களை சரிசெய்ய மாதிரியை வழிநடத்துகிறது, சத்தத்தை குறைக்கிறது மற்றும் ஒரு நிலையான படிக கட்டமைப்பிற்கு நெருக்கமாக நகர்கிறது.

அடாப்டர் தொகுதிகள் மூலம் தகவமைப்புத்தன்மை

நெகிழ்வுத்தன்மையை அதிகரிக்க, மேட்டர்ஜென் அடாப்டர் தொகுதிகளை ஒருங்கிணைக்கிறது, இது பல்வேறு கீழ்நிலை பணிகளுக்கான சிறந்த ட்யூனிங்கை செயல்படுத்துகிறது. இந்த தொகுதிகள் கொடுக்கப்பட்ட சொத்து லேபிள்களின் அடிப்படையில் மாதிரியின் வெளியீட்டை மாற்ற முடியும்.

அடாப்டர்கள் மாதிரியின் ஒவ்வொரு அடுக்கிலும் கூடுதல் அளவுருக்களை அறிமுகப்படுத்துகின்றன, பணி சார்ந்த சொத்து லேபிள்களின் அடிப்படையில் சரிசெய்ய முடியும். இந்த அளவுருக்கள், உருவாக்கப்பட்ட கட்டமைப்புகள் குறிப்பிட்ட பணி தேவைகளைப் பூர்த்தி செய்வதை உறுதி செய்வதற்காக சிறந்த ட்யூனிங் செய்யும் போது மேம்படுத்தப்படுகின்றன. இந்த வடிவமைப்பு தகவமைப்புத்தன்மையை மேம்படுத்துவது மட்டுமல்லாமல், சிறந்த ட்யூனிங்கிற்கு தேவையான லேபிளிடப்பட்ட தரவுகளின் அளவையும் குறைக்கிறது.

உதாரணமாக, புதிய பேட்டரி பொருட்களை வடிவமைக்கும்போது, மாதிரி மின் கடத்துத்திறன் மற்றும் அயனி பரவல் விகிதங்களில் கவனம் செலுத்தலாம். இருப்பினும், ஒரு வினையூக்கியை வடிவமைக்கும்போது, மாதிரி மேற்பரப்பு செயல்பாடு மற்றும் தேர்ந்தெடுக்கப்பட்ட தன்மையில் கவனம் செலுத்தலாம். அடாப்டர் தொகுதிகள் இந்த மாறுபட்ட தேவைகளுக்கு ஏற்ப அதன் அமைப்பு உருவாக்கும் உத்திகளை சரிசெய்ய மாதிரியை செயல்படுத்துகின்றன.

அங்கீகாரம் மற்றும் வெளியீடு

மைக்ரோசாஃப்ட் ஏற்கனவே இந்த ஆராய்ச்சியை நேச்சர் இதழில் வெளியிட்டுள்ளது, இது முன்னணி தொழில்நுட்ப வல்லுநர்களிடமிருந்து பரவலான அங்கீகாரத்தைப் பெற்றுள்ளது. இது கடந்த ஆண்டு வேதியியலுக்கான நோபல் பரிசைப் பெற்ற ஒரு புரத கணிப்பு மாதிரியான கூகிளின் ஆல்பாஃபோல்ட் தொடருடன் ஒப்பிடப்படுகிறது.