مائیکروسافٹ کا میٹریل ڈیزائن بریک تھرو اے آئی ماڈل ایکوریسی میں 10 گنا اضافہ

تعارف MatterGen: میٹریل ڈیزائن کے لیے ایک انقلابی AI ماڈل

مائیکروسافٹ نے MatterGen کا انکشاف کیا ہے، جو ایک زبردست بڑا لسانی ماڈل ہے جو خاص طور پر غیر نامیاتی مواد کی تخلیق کے لیے ڈیزائن کیا گیا ہے۔ یہ اختراعی ماڈل، جو ایک پھیلاؤ ماڈل فن تعمیر پر بنایا گیا ہے، ایٹم کی اقسام، کوآرڈینیٹس، اور پیریوڈک جالیوں کو ترقی پسند طریقے سے بہتر بنانے کی صلاحیت رکھتا ہے۔ یہ متنوع نئے غیر نامیاتی مواد کی تیزی سے تخلیق کی اجازت دیتا ہے۔ اس کی صلاحیت کی ایک اہم مثال توانائی کے شعبے میں ہے، جہاں MatterGen ناول لتیم آئن بیٹری کیتھوڈ مواد تیار کر سکتا ہے۔

ایٹم کی اقسام کو ایڈجسٹ کرکے، منفرد الیکٹرانک ڈھانچے والے ٹرانزیشن میٹل عناصر کو متعارف کروا کر، اور جالی کے اندر ان کے مقام کا درست تعین کرکے، MatterGen منفرد مائیکرو اسٹرکچرز کے ساتھ کرسٹل جالیوں کی ترقی کو قابل بناتا ہے۔ اس میں بیٹری کی زندگی اور کارکردگی کو نمایاں طور پر بہتر بنانے کی صلاحیت ہے۔

MatterGen کے ساتھ بہتر میٹریل ڈسکوری

مواد کی دریافت کے روایتی طریقوں کے مقابلے میں، MatterGen مستحکم، منفرد، اور ناول مواد کے تناسب کو دوگنا سے زیادہ بڑھاتا ہے۔ مزید برآں، تیار کردہ ڈھانچے ان کی Density Functional Theory (DFT) مقامی توانائی کے کم از کم دس گنا قریب ہیں۔ یہ MatterGen کو ہائی ٹیک شعبوں جیسے الیکٹرک گاڑیاں، ایرو اسپیس، اور الیکٹرانک چپس کے لیے ایک انمول ٹول بناتا ہے۔

ایک آسان تشبیہ: MatterGen کے ساتھ تعمیر کرنا

اس ممکنہ طور پر پیچیدہ تصور کو سمجھنے میں مدد کرنے کے لیے، تصور کریں کہ آپ ایک گھر بنانا چاہتے ہیں۔ روایتی طریقوں میں موجودہ ڈیزائنوں میں سے انتخاب کرنا شامل ہے، جو آپ کی ضروریات کے مطابق نہیں ہو سکتے ہیں۔

MatterGen، دوسری طرف، آپ کو اپنی عین ضروریات بتانے کی اجازت دیتا ہے۔ آپ کہہ سکتے ہیں، 'مجھے ایک جم، ایک گیمنگ روم، دو چھوٹے بیڈ روم، ایک ماسٹر بیڈ روم، اور ایک چھوٹا باغ والا پانچ بیڈ روم کا گھر چاہیے۔ میں ڈریگن اور فینکس کی سجاوٹ کے ساتھ چینی طرز کی فن تعمیر چاہتا ہوں۔'

جوہر میں، MatterGen غیر نامیاتی مواد کی دریافت کے پیچیدہ عمل کو ایک تفصیلی جنریٹو عمل کے ذریعے توڑ دیتا ہے۔ یہ مخصوص ضروریات کی بنیاد پر مثالی مادی امتزاج اور ساختی لے آؤٹ کی کھوج اور تعمیر کرتا ہے۔

یہ مناسب ایٹم کی اقسام کو منتخب کرنے سے شروع ہوتا ہے، بالکل مختلف خصوصیات کے ساتھ تعمیراتی مواد کا انتخاب کرنے کی طرح۔
پھر یہ خلا میں ان ایٹموں کے کوآرڈینیٹس کا درست تعین کرتا ہے، بالکل ہر اینٹ کو درستگی کے ساتھ رکھنے کی طرح۔
آخر میں، یہ ایک بہترین پیریوڈک جالی بناتا ہے، ایک مضبوط اور منفرد فریم ورک بناتا ہے۔

میٹریل سائنس میں AI کی طاقت

AI میں تیزی سے ترقی مختلف شعبوں کو نئی شکل دے رہی ہے، اور میٹریل سائنس بھی اس سے مستثنیٰ نہیں ہے۔ MatterGen کی نئی سپر کنڈکٹرز کو دریافت کرنے، کمپیوٹنگ کی کارکردگی کو بڑھانے، اور اس کے نتیجے میں مزید سپر کنڈکٹنگ مواد کو دریافت کرنے کی صلاحیت اس بات کا ثبوت ہے۔ یہ ایک خود کو تقویت دینے والا چکر ہے جہاں AI مسلسل ہر چیز کو بہتر اور بہتر کرتا ہے۔

ممکنہ درخواستیں اور اثرات

بیٹری ٹیکنالوجی: MatterGen بیٹری سیل کے اضافے میں انقلاب برپا کر سکتا ہے، ایک ایسا شعبہ جس میں کافی بحث اور مانگ دیکھی گئی ہے۔ ماڈل میں مثبت الیکٹروڈ فعال مواد کی تیاری میں مدد کرنے کی صلاحیت ہے۔
AGI مضمرات: ماڈل کی صلاحیتیں بتاتی ہیں کہ یہ Artificial General Intelligence (AGI) کی جانب ایک پیشرفت ہے۔
عالمی چیلنجز: اس ٹیکنالوجی میں عالمی چیلنجوں سے نمٹنے کا وعدہ ہے، جیسے کہ موسمیاتی تبدیلی۔

MatterGen کا فن تعمیر: پھیلاؤ کا عمل

MatterGen کے مرکز میں پھیلاؤ کا عمل ہے، جو اس جسمانی مظہر سے متاثر ہے جہاں ذرات زیادہ ارتکاز والے علاقوں سے کم ارتکاز والے علاقوں کی طرف اس وقت تک حرکت کرتے ہیں جب تک کہ وہ ایک مساوی تقسیم تک نہ پہنچ جائیں۔ مادی ڈیزائن میں، اس عمل کو مکمل طور پر بے ترتیب ابتدائی حالت سے ترتیب شدہ اور مستحکم کرسٹل ڈھانچہ تیار کرنے کے لیے ڈھال لیا گیا ہے۔

یہ عمل کسی بھی جسمانی اہمیت سے خالی بے ترتیب ابتدائی ڈھانچے سے شروع ہوتا ہے۔ پھر، تکراری مراحل کی ایک سیریز کے ذریعے، MatterGen ابتدائی ڈھانچے میں 'شور' کو کم کرتا ہے، اسے ایک حقیقی کرسٹل ڈھانچے کے قریب لاتا ہے۔ یہ بے ترتیب نہیں ہے؛ یہ جسمانی قوانین اور میٹریل سائنس کے اصولوں کی رہنمائی کرتا ہے۔

ہر تکرار میں، MatterGen ایٹم کی اقسام، کوآرڈینیٹس اور جالی پیرامیٹرز کو بہتر بناتا ہے۔ یہ ایڈجسٹمنٹ ایک پہلے سے طے شدہ، جسمانی طور پر حوصلہ افزائی تقسیم پر مبنی ہیں، اس بات کو یقینی بناتے ہوئے کہ ماڈل بانڈ کی لمبائی، بانڈ کے زاویے، اور جالی کی ہم آہنگی جیسی حقیقی جسمانی خصوصیات پر غور کرے۔

کوآرڈینیٹ پھیلاؤ کرسٹل کی پیریوڈک حدود کا احترام کرتا ہے، ایٹم کی پوزیشنوں کو ایڈجسٹ کرنے کے لیے ایک لپیٹے ہوئے نارمل ڈسٹری بیوشن کا استعمال کرتے ہوئے، ایٹموں کو کرسٹل کے پیریوڈک ڈھانچے سے باہر جانے سے روکتا ہے۔

جالی پھیلاؤ ایک سمیٹری شکل کا استعمال کرتا ہے، جہاں تقسیم کا مطلب ایک مکعب جالی ہے، اور اوسط ایٹمی کثافت تربیتی ڈیٹا سے اخذ کی جاتی ہے، جو تیار کردہ ڈھانچے کی استحکام اور جسمانی مطابقت کو یقینی بناتی ہے۔

Equivariant اسکور نیٹ ورکس کا کردار

Equivariant اسکور نیٹ ورک MatterGen میں ایک اور اہم جزو ہے۔ یہ پھیلاؤ کے عمل سے اصل کرسٹل ڈھانچے کو بازیافت کرنا سیکھتا ہے۔ اس نیٹ ورک کا ڈیزائن equivariance کے اصول پر مبنی ہے، جس کا مطلب ہے کہ ایک نظام بعض تبدیلیوں کے تحت کچھ خصوصیات کو برقرار رکھتا ہے۔ کرسٹل مواد کے لیے، اس کا مطلب ہے کہ مواد کی خصوصیات گردش اور ترجمہ کے دوران تبدیل نہیں رہتی ہیں۔

نیٹ ورک ایٹم کی اقسام، کوآرڈینیٹس اور جالیوں کے لیے equivariant اسکور آؤٹ پٹ کرتا ہے۔ یہ اسکور موجودہ ڈھانچے میں ہر ایٹم اور جالی پیرامیٹر کی 'غلطی' یا مثالی کرسٹل ڈھانچے سے ان کے انحراف کی نمائندگی کرتے ہیں۔ ان اسکورز کا حساب لگا کر، نیٹ ورک ماڈل کو ایٹموں اور جالی کے پیرامیٹرز کو ایڈجسٹ کرنے، شور کو کم کرنے اور ایک مستحکم کرسٹل ڈھانچے کے قریب جانے کی رہنمائی کرتا ہے۔

اڈاپٹر ماڈیولز کے ذریعے موافقت پذیری

لچک کو بڑھانے کے لیے، MatterGen اڈاپٹر ماڈیولز کو شامل کرتا ہے، جو مختلف ڈاون اسٹریم ٹاسکس کے لیے فائن ٹیوننگ کو قابل بناتا ہے۔ یہ ماڈیولز دی گئی پراپرٹی لیبلز کی بنیاد پر ماڈل کے آؤٹ پٹ کو تبدیل کر سکتے ہیں۔

اڈاپٹر ماڈل کی ہر پرت پر پیرامیٹرز کا ایک اضافی سیٹ متعارف کراتے ہیں، جو ٹاسک کی مخصوص پراپرٹی لیبلز کی بنیاد پر ایڈجسٹ ہوتے ہیں۔ یہ پیرامیٹرز فائن ٹیوننگ کے دوران اس بات کو یقینی بنانے کے لیے بہتر بنائے جاتے ہیں کہ تیار کردہ ڈھانچے مخصوص ٹاسک کی ضروریات کو پورا کریں۔ یہ ڈیزائن نہ صرف موافقت پذیری کو بڑھاتا ہے بلکہ فائن ٹیوننگ کے لیے درکار لیبل والے ڈیٹا کی مقدار کو بھی کم کرتا ہے۔

مثال کے طور پر، جب نئے بیٹری مواد کو ڈیزائن کرتے ہیں، تو ماڈل برقی چالکتا اور آئن ڈفیوژن کی شرحوں پر توجہ مرکوز کر سکتا ہے۔ تاہم، اگر کسی اتپریرک کو ڈیزائن کرتے ہیں، تو ماڈل سطح کی سرگرمی اور منتخبیت پر توجہ مرکوز کر سکتا ہے۔ اڈاپٹر ماڈیولز ماڈل کو ان مختلف ضروریات کے مطابق اپنی ساخت سازی کی حکمت عملیوں کو ایڈجسٹ کرنے کے قابل بناتے ہیں۔

شناخت اور اشاعت

مائیکروسافٹ نے پہلے ہی یہ تحقیق نیچر میں شائع کر دی ہے، جسے معروف ٹیکنالوجی ماہرین کی جانب سے بڑے پیمانے پر پذیرائی ملی ہے۔ اس کا موازنہ گوگل کے AlphaFold سیریز سے کیا جا رہا ہے، جو ایک پروٹین پیشن گوئی ماڈل ہے جس نے گزشتہ سال کیمسٹری میں نوبل انعام حاصل کیا تھا۔