အခြေခံအားဖြင့်၊ ဥာဏ်ရည်တုသည် ညစာစားရန် မှာယူခြင်းကဲ့သို့ အလုပ်အတွက် သင့်တော်သောပစ္စည်းကို ရှာဖွေနိုင်သည်- ကြီးမားသောဘာသာစကားပုံစံတစ်ခုအတွက် သင်လိုအပ်သောအရာကို ဖော်ပြပါ၊ ၎င်းသည် သင့်အား အလုပ်အတွက် ဒီဇိုင်းထုတ်ထားသော ပုံဆောင်ခဲတစ်ခုအား ပေးဆောင်ပေးပါသည်။ လက်တွေ့တွင်၊ ယနေ့ခေတ် chatbots များ၏ နောက်ကွယ်ရှိ မော်ဒယ်များသည် ပစ္စည်းအများစု၏ ပုံပန်းသဏ္ဍာန်ကို အမှန်တကယ် မမြင်ဖူးသောကြောင့် လက်တွေ့တွင်၊ ထိုဇာတ်လမ်းသည် လက်လှမ်းမမီသေးပါ။

MIT မှ သုတေသီများက ၎င်းအား ပြုပြင်ရန် ခိုင်မာသော ခြေလှမ်းတစ်ရပ်ကို လုပ်ဆောင်ခဲ့ကြောင်း အစီရင်ခံခဲ့သည်။ Nature Communications တွင် ထုတ်ဝေသည့် စာတမ်းအသစ်တွင် MIT ၏ Materials Science and Engineering (DMSE) မှ အဖွဲ့တစ်ဖွဲ့သည် သုံးဖက်မြင် အနုမြူဖွဲ့စည်းပုံများကို သဘာဝဘာသာစကားဖြင့် ဖော်ပြချက်များဖြင့် ပေါင်းစပ်ထားသည့် ဘက်စုံသုံး AI မော်ဒယ်ကို ဖော်ပြထားပြီး ပုံသဏ္ဍာန်ပုံသဏ္ဍာန်နှင့် စာသားများကို တစ်ပြိုင်နက်တည်း အကြောင်းပြချက်ပေးထားသည်။ MIT News ၏အဆိုအရ အဆိုပါမော်ဒယ်သည် AI ကို အက်တမ်အစီအစဉ်များနှင့် ဆက်စပ်မှုပုံစံများကို မြင်နိုင်စေခြင်းဖြင့် စာသားတစ်ခုတည်းတွင် လေ့ကျင့်ထားသည့်စနစ်များထက် ပိုမိုကောင်းမွန်သော ပစ္စည်းဒီဇိုင်းများကို ခွဲခြားသတ်မှတ်ပေးသည်။ အလုပ်သည် စာသားထက်ကျော်လွန်၍ ရုပ်ပိုင်းဆိုင်ရာလောကသို့ ရွေ့လျားသည့် မော်ဒယ်များပေါ်တွင် အာရုံစိုက်ထားသည့် AI လုပ်ငန်းဆိုင်ရာ လွှမ်းခြုံမှု ၏ အလုပ်များသောအပိုင်းကို တိုးစေသည်။

စာသားလေ့ကျင့်ထားသော မော်ဒယ်များသည် ကိစ္စရပ်အပေါ် အဘယ်ကြောင့် ထိမိတတ်သနည်း။

အတားအဆီးသည် အခြေခံအားဖြင့် ဒေတာအကြောင်းဖြစ်သည်။ ပစ္စည်းအများစုသည် ပုံဆောင်ခဲများဖြစ်သည်- ကြီးမားသောဘာသာစကားမော်ဒယ်များကိုလေ့ကျင့်သင်ကြားထားသည့်စာသားစီးကြောင်းများထက် အထူးပြုတွက်ချက်မှုပုံစံများဖြင့် သိမ်းဆည်းထားသည့် အက်တမ်များ၏ သုံးဖက်မြင်၊ အချိန်ပိုင်းအစီအစဉ်များ။ ထို့အပြင်၊ စမ်းသပ်စာပေသည် ထုတ်ဝေထားသောစာရွက်များတွင် အဓိကလေ့ကျင့်သင်ကြားထားသည့် မည်သည့် AI ၏ရလဒ်များကို လွဲချော်စေသည့် ရေပန်းစားသော crystals အတန်းအနည်းငယ်အပေါ် ကြီးမားစွာဘက်လိုက်ပါသည်။

ရလဒ်သည် တကယ့်အကျိုးဆက်များနှင့်အတူ ကန်းကွက်တစ်ခုဖြစ်သည်။ ကမ္ဘာပေါ်ရှိ အစိုင်အခဲပစ္စည်းများ၏ 90 ရာခိုင်နှုန်းကျော်သည် ပုံဆောင်ခဲများဖြစ်ပြီး၊ မျိုးဆက်သစ် ဘက်ထရီများ၊ အီလက်ထရွန်းနစ်ပစ္စည်းများ သို့မဟုတ် ဓာတ်ကူပစ္စည်းများအတွက် အရေးပါနိုင်သည့် အဆောက်အဦများစွာသည် ဘာသာစကားတစ်ခုတည်းစနစ်ဖြင့် ထိထိရောက်ရောက် မဖတ်နိုင်သော ကွန်ပျူတာဒေတာဘေ့စ်များတွင် နေထိုင်ကြသည်။

ဘာသာစကားဖြင့် ဖွဲ့စည်းတည်ဆောက်ပုံ ဟန်ချက်ညီရန် ပုံစံတစ်ခုကို သင်ကြားပေးခြင်း။

MIT အဖွဲ့၏အဖြေမှာ crystals များအတွက် ရူပါရုံဘာသာစကားပုံစံကို ထိထိရောက်ရောက်တည်ဆောက်ရန်ဖြစ်သည်။ သုတေသီများသည် ပေါင်းစပ်နားလည်မှုမဖြစ်ထွန်းမီအထိ ပုံစံတူနှင့် ထပ်တူထပ်မျှသော ပုံသဏ္ဍာန်များနှင့် ဖော်ပြချက်များကို နှိုင်းယှဉ်ကာ ပုံသဏ္ဍာန်ပုံသဏ္ဍာန်ပုံသဏ္ဍာန်များ၏ ပုံသဏ္ဍာန်ဖော်ပြချက်များကို ထုတ်လုပ်ရန် ဘာသာစကားပုံစံတစ်ခုကို လေ့ကျင့်သင်ကြားပေးခဲ့သည် — MIT လုပ်ငန်းစဉ်သည် ၎င်း၏အမြင်အာရုံနှင့် ဘာသာစကားဒေသများကို ဦးနှောက်က ချိန်ညှိပုံနှင့် နှိုင်းယှဉ်ပါသည်။

အရေးကြီးသည်မှာ၊ အဖွဲ့သည် ရှိပြီးသားစာရွက်များကိုသာ အားကိုးခြင်းထက် ပစ္စည်းများအကြောင်း ဇာတ်ကြောင်းများကို စုစည်းရန် ရွေးချယ်ခဲ့သည်။ စမ်းသပ်သုတေသန စာပေများနှင့် ပထမမူလများ တွက်ချက်မှုဆိုင်ရာ ဒေတာဘေ့စ်များကို ရေးဆွဲကာ မော်ဒယ်သည် ဓာတုဖွဲ့စည်းပုံနှင့် တည်ဆောက်မှုသာမက ဂုဏ်သတ္တိများ၊ ထည့်သွင်းစဉ်းစားမှုများနှင့် အလားအလာရှိသော အသုံးချမှုများပါ ပါဝင်သည့် ကြွယ်ဝသော ဖော်ပြချက်များကို ထုတ်ပေးခဲ့သည်။

"ကျွန်ုပ်တို့သည် ပစ္စည်းများတွင် ကျယ်ကျယ်ပြန့်ပြန့် လုပ်ဆောင်နိုင်သော AI မော်ဒယ်ကို ဖန်တီးချင်သည်" ဟု MIT မှ ပါဝါအင်ဂျင်နီယာဆိုင်ရာ Carl Richard Soderberg နှင့် အကြီးတန်းစာရေးဆရာ Ju Li က ပြောကြားခဲ့သည်။ "အဲဒါကြောင့် ကျွန်တော်တို့ဟာ ရှိပြီးသားစာရွက်တွေကိုပဲ အားကိုးတာထက် ဇာတ်ကြောင်းတွေကို ပေါင်းစပ်ဖို့ ဆုံးဖြတ်ခဲ့ပါတယ်။ အဲဒီဇာတ်ကြောင်းအချက်အလက်အစုံကို အသုံးပြုတဲ့အခါ မော်ဒယ်တွေက လုပ်ဆောင်ချက်ကို ခန့်မှန်းရာမှာ ပိုကောင်းတယ်လို့ ဆိုပါတယ်။"

စမ်းသပ်မှု- Solid-State Battery Electrolytes ကိုရှာဖွေခြင်း။

ချဉ်းကပ်မှုကို အကဲဖြတ်ရန်၊ သုတေသီများသည် မော်ဒယ်၏ ဗားရှင်းနှစ်မျိုးကို နှိုင်းယှဉ်ခဲ့သည်- တစ်ခုသည် AI မှထုတ်လုပ်ထားသော တည်ဆောက်ပုံဖော်ပြချက်များအပေါ် လေ့ကျင့်သင်ကြားပြီး တစ်ခုသည် သုတေသနစာတမ်းများမှ စာသားများကိုသာ လေ့ကျင့်သင်ကြားခဲ့သည်။ ပေါင်းစပ်ဖော်ပြချက်များကို ဘာသာစကားဖြင့် ဂျီဩမေတြီဖွဲ့စည်းပုံများကို အောင်မြင်စွာ ချိန်ညှိရန် လေ့ကျင့်ထားသော ဗားရှင်းသည် စာသားသီးသန့်ဗားရှင်းမဟုတ်သော်လည်း၊

ထို့နောက် အဖွဲ့သည် မျိုးဆက်သစ်ဘက်ထရီများအတွက် အဓိကစိန်ခေါ်မှုဖြစ်သည့် solid-state lithium-ion ဘက်ထရီ electrolytes အတွက် သင့်လျော်သော ပုံဆောင်ခဲများကို ဖော်ထုတ်ရန် မော်ဒယ်အား တောင်းဆိုခဲ့သည်။ MIT News ၏ အဆိုအရ၊ မော်ဒယ်၏ ထိပ်တန်းရလဒ်များတွင် အလားအလာရှိသော ကိုယ်စားလှယ်လောင်းများအဖြစ် သီးခြားခွဲခြားသတ်မှတ်ခံထားရသည့် ပစ္စည်းများပါဝင်ပြီး ပစ္စည်းတစ်ခုအား သဘာဝဘာသာစကားဖြင့် ဖော်ပြသည့် ဘာသာစကားမေးမြန်းချက်များကို ပေးသောအခါတွင် စနစ်သည် စာသားသီးသန့်အခြေခံလိုင်းကို ကျော်လွန်လုပ်ဆောင်ပေးကာ ထိုပစ္စည်းနှင့် သတ္တုကျောက်ခဲများကို ရှာဖွေခိုင်းခြင်းဖြစ်သည်။

"ဖွဲ့စည်းပုံက သိပ္ပံပညာနယ်ပယ်ရဲ့ နှလုံးသားမှာ တကယ်ရှိတယ်" ဟု Li က ဆိုသည်။ "ဖွဲ့စည်းပုံကို နားလည်ရင်၊ ပစ္စည်းတွေရဲ့ ဂုဏ်သတ္တိနဲ့ စွမ်းဆောင်ရည်တွေအကြောင်း အများကြီး ကောက်ချက်ချနိုင်ပါတယ်။ ပစ္စည်းတစ်ခုရဲ့ အက်တမ်ဖွဲ့စည်းပုံနဲ့ သူ့ရဲ့ ဂုဏ်သတ္တိနဲ့ မော်ဒယ်အတွက် ပြုပြင်ခြင်းကြားက ချိတ်ဆက်မှုကို တည်ဆောက်လိုတာပါ။"

၎င်းသည် AI-Driven Materials Discovery တွင် လိုက်ဖက်သည့်နေရာ

လွန်ခဲ့သည့်ဆယ်စုနှစ်များအတွင်း AI သည် crystals အသစ်များကို အဆိုပြုပြီး ဒီဇိုင်းထုတ်ပုံကို ပြန်လည်ပုံဖော်ထားပြီးဖြစ်သည်။ သို့သော် အဆိုပါစနစ်အများစုသည် ပုံဆောင်ခဲပစ္စည်းများကို အထူးပြုဗိသုကာများဖြင့်ပြုလုပ်ထားသော သုံးဖက်မြင်ဂရပ်ဖစ်များအဖြစ် သဘောထားကာ၊ အထွေထွေရည်ရွယ်ချက် AI ကို စွမ်းအားပေးသည့် ဘာသာစကားပုံစံများမှ ခွဲထွက်သည်။ ဂျီသြမေတြီကို တိုက်ရိုက်သိမြင်နိုင်ရန် ဘာသာစကားအခြေခံပုံစံကို သင်ကြားခြင်းဖြင့်၊ MIT သည် တစ်နေ့တွင် အင်္ဂလိပ်ဘာသာဖြင့် အဆုံးထိ ဖော်ပြထားသည့် ပစ္စည်းများတောင်းဆိုမှုကို ကိုင်တွယ်နိုင်သည့် လက်ထောက်များထံ ညွှန်ပြသည်။

သုတေသနအဖွဲ့တွင် MIT postdoc ဖြစ်သူ Yang Jeong Park နှင့် မကြာသေးမီက University of Illinois Urbana-Champaign ကွန်ပျူတာအင်ဂျင်နီယာဘွဲ့ရ၊ Chia-Wei Hsu နှင့် Jerry McAfee (1940) MIT မှ အင်ဂျင်နီယာပညာရှင် Elsa Olivetti တို့ ပါဝင်သည်။

နောက်တစ်ခုက ဘာဖြစ်မလဲ။

မော်ဒယ်သည် သုတေသနစနစ်အဖြစ် ဆက်လက်တည်ရှိနေပြီး MIT မှ မည်သည့်ထုတ်လုပ်မှုကိုမျှ ထုတ်ပြန်ကြေညာခြင်းမရှိပေ။ သို့သော် သက်ရောက်မှုများမှာ ကျယ်ပြန့်သည်- အစိုင်အခဲ-စတိတ် အီလက်ထရိုလစ်များသည် စမ်းသပ်မှုတစ်ခုဖြစ်ပြီး တူညီသော ဖွဲ့စည်းတည်ဆောက်ပုံ-အပေါင်း-ဘာသာစကား ချဉ်းကပ်မှုသည် ဓာတ်ကူပစ္စည်း၊ တစ်ပိုင်းလျှပ်ကူးပစ္စည်း သို့မဟုတ် ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာ ပစ္စည်းများနှင့် သက်ဆိုင်ပါသည်။ ချဉ်းကပ်မှုသည် ယေဘုယျအားဖြင့် ဆိုလျှင်၊ ပစ္စည်းများ ရှာဖွေတွေ့ရှိမှုတွင် ပိတ်ဆို့မှုများသည် ကိုယ်စားလှယ်လောင်း၏ ပုံဆောင်ခဲများ ထုတ်လုပ်ခြင်းမှ ၎င်းတို့ကို ဓာတ်ခွဲခန်းအတွင်း အတည်ပြုခြင်းသို့ ပြောင်းသွားနိုင်သည် — အပြောင်းအရွှေ့ကို စမ်းသပ်သူများသည် ကြိုဆိုဖွယ်ရှိသည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →