اصولی طور پر، مصنوعی ذہانت کسی کام کے لیے صحیح مواد تلاش کرنا اتنا ہی آسان بنا سکتی ہے جتنا کہ رات کے کھانے کا آرڈر دینا: بیان کریں کہ آپ کو ایک بڑے زبان کے ماڈل کے لیے کیا ضرورت ہے، اور یہ آپ کو کام کے لیے ڈیزائن کیا گیا ایک کرسٹل فراہم کرتا ہے۔ عملی طور پر، یہ منظر نامہ پہنچ سے باہر رہا ہے، کیونکہ آج کے چیٹ بوٹس کے پیچھے ماڈلز نے حقیقت میں کبھی نہیں دیکھا کہ زیادہ تر مواد کیسا نظر آتا ہے۔

MIT محققین نے رپورٹ کیا ہے کہ انہوں نے اس کو ٹھیک کرنے کی طرف ایک ٹھوس قدم اٹھایا ہے۔ نیچر کمیونیکیشنز میں شائع ہونے والے ایک نئے مقالے میں، MIT کے شعبہ مواد سائنس اور انجینئرنگ (DMSE) کی ایک ٹیم نے ایک ملٹی موڈل AI ماڈل کی وضاحت کی ہے جو تین جہتی جوہری ڈھانچے کو قدرتی زبان کی وضاحتوں کے ساتھ جوڑتا ہے، جس سے نظام کو کرسٹل جیومیٹری اور متن کے بارے میں ایک ہی وقت میں وجہ بتاتی ہے۔ ایم آئی ٹی نیوز کے مطابق، ماڈل صرف متن پر تربیت یافتہ سسٹمز کے مقابلے بہتر مادی ڈیزائن کی نشاندہی کرتا ہے جس سے AI کو جوہری انتظامات اور بانڈنگ پیٹرن دیکھنے کی اجازت ملتی ہے جو یہ طے کرتے ہیں کہ مواد کیسے برتاؤ کرتا ہے۔ یہ کام AI انڈسٹری کوریج کے ایک مصروف حصے میں اضافہ کرتا ہے جو ایسے ماڈلز پر مرکوز ہیں جو متن سے آگے اور طبعی دنیا میں جاتے ہیں۔

ٹیکسٹ ٹرینڈ ماڈلز مادے پر کیوں ٹھوکر کھاتے ہیں۔

رکاوٹ بنیادی طور پر ڈیٹا کے بارے میں ہے۔ زیادہ تر مواد کرسٹل لائن ہوتے ہیں: ایٹموں کے تین جہتی، متواتر انتظامات جن کے ڈھانچے کو ٹیکسٹ اسٹریمز کی بجائے مخصوص کمپیوٹیشنل فارمیٹس میں محفوظ کیا جاتا ہے جن پر بڑے زبان کے ماڈلز کو تربیت دی جاتی ہے۔ اس کے اوپری حصے میں، تجرباتی لٹریچر کرسٹل کی چند مشہور کلاسوں کی طرف بہت زیادہ متعصب ہے، جو بنیادی طور پر شائع شدہ کاغذات پر تربیت یافتہ کسی بھی AI کے نتائج کو کم کرتا ہے۔

نتیجہ حقیقی نتائج کے ساتھ ایک اندھا دھبہ ہے۔ زمین پر 90 فیصد سے زیادہ ٹھوس مواد کرسٹل لائن ہیں، اور بہت سے ڈھانچے جو اگلی نسل کی بیٹریوں، الیکٹرانکس، یا کیٹالسٹس کے لیے اہمیت رکھتے ہیں کمپیوٹیشنل ڈیٹا بیس میں رہتے ہیں جنہیں صرف زبان کے نظام مؤثر طریقے سے نہیں پڑھ سکتے۔

ساخت کو زبان کے ساتھ ہم آہنگ کرنے کے لیے ایک ماڈل کی تعلیم دینا

MIT ٹیم کا جواب یہ تھا کہ کرسٹل کے لیے مؤثر طریقے سے ویژن لینگوئج ماڈل کیا ہو۔ محققین نے متضاد سیکھنے کا استعمال کرتے ہوئے کرسٹل ڈھانچے کی متنی وضاحتیں تیار کرنے کے لیے ایک زبان کے ماڈل کو تربیت دی، ایک ایسا نقطہ نظر جس میں ایک ماڈل ڈھانچے اور وضاحتوں کی ملتے جلتے اور مختلف مثالوں کا موازنہ کرتا ہے جب تک کہ اس میں ایک متفقہ تفہیم پیدا نہ ہو - ایک عمل MIT اس بات کا موازنہ کرتا ہے کہ دماغ اپنے بصری اور زبان کے خطوں کو کس طرح ترتیب دیتا ہے۔

اہم طور پر، ٹیم نے صرف موجودہ کاغذات پر انحصار کرنے کے بجائے مواد کے بارے میں اپنے بیانیے کی ترکیب کا انتخاب کیا۔ تجرباتی تحقیقی لٹریچر اور پہلے اصولوں کے کمپیوٹیشنل ڈیٹابیس پر ڈرائنگ کرتے ہوئے، ماڈل نے نہ صرف کیمیائی ساخت اور ساخت بلکہ خواص، پروسیسنگ کے تحفظات اور ممکنہ ایپلی کیشنز کا احاطہ کرتے ہوئے بھرپور وضاحتیں تیار کیں۔

ایم آئی ٹی میں پاور انجینئرنگ میں کارل رچرڈ سوڈربرگ کے پروفیسر اور کاغذ پر ایک سینئر مصنف جو لی نے کہا، "ہم ایک ایسا AI ماڈل بنانا چاہتے تھے جو تمام مواد پر وسیع پیمانے پر کام کرے۔" "یہی وجہ ہے کہ ہم نے صرف موجودہ کاغذات پر انحصار کرنے کے بجائے داستانوں کی ترکیب کرنے کا فیصلہ کیا۔ ہمیں معلوم ہوا کہ جب ہم نے اس داستانی ڈیٹاسیٹ کو استعمال کیا تو ماڈلز فنکشن کی پیش گوئی کرنے میں بہتر ہیں۔"

ٹیسٹ: سالڈ اسٹیٹ بیٹری الیکٹرولائٹس تلاش کرنا

نقطہ نظر کا جائزہ لینے کے لیے، محققین نے ماڈل کے دو ورژنوں کا موازنہ کیا: ایک AI سے تیار کردہ ساختی وضاحتوں پر تربیت یافتہ اور دوسرا صرف تحقیقی مقالوں کے متن پر تربیت یافتہ۔ ترکیب شدہ تفصیل پر تربیت یافتہ ورژن نے ہندسی ساختوں کو زبان کے ساتھ سیدھ میں کرنا کامیابی سے سیکھا، جبکہ صرف متن والے ورژن نے ایسا نہیں کیا۔

اس کے بعد ٹیم نے ماڈل سے کہا کہ وہ کرسٹل لائن مواد کی شناخت کرے جو سالڈ سٹیٹ لتیم آئن بیٹری الیکٹرولائٹس کے لیے موزوں ہیں جو کہ اگلی نسل کی بیٹریوں کے لیے ایک اہم چیلنج ہے۔ ایم آئی ٹی نیوز کے مطابق، ماڈل کے سرفہرست نتائج میں وہ مواد شامل تھا جن کی آزادانہ طور پر امید افزا امیدواروں کے طور پر شناخت کی گئی تھی، اور سسٹم نے صرف ٹیکسٹ بیس لائن کو پیچھے چھوڑ دیا جب کسی پراپرٹی کو بیان کرنے والے قدرتی زبان کے سوالات دیے گئے اور اس پراپرٹی کے ساتھ کرسٹل تلاش کرنے کو کہا گیا۔

لی نے کہا کہ ساخت واقعی مواد سائنس کے میدان میں ہے۔ "اگر آپ ساخت کو سمجھتے ہیں، تو آپ مواد کی خصوصیات اور کارکردگی کے بارے میں کافی حد تک اندازہ لگا سکتے ہیں۔ ہم مواد کے جوہری ڈھانچے اور اس کی خصوصیات اور ماڈل کے لیے پروسیسنگ کے درمیان تعلق قائم کرنا چاہتے تھے۔"

جہاں یہ AI سے چلنے والے مواد کی دریافت میں فٹ بیٹھتا ہے۔

پچھلی دہائی کے دوران، AI نے پہلے ہی نئی شکل دی ہے کہ نئے کرسٹل کس طرح تجویز اور ڈیزائن کیے جاتے ہیں۔ تاہم، ان میں سے زیادہ تر سسٹم کرسٹل لائن مواد کو خصوصی فن تعمیر کے ذریعے پروسیس کیے جانے والے تین جہتی گراف کے طور پر مانتے ہیں، جو زبان کے ان ماڈلز سے الگ ہیں جو عام مقصد کے AI کو طاقت دیتے ہیں۔ جیومیٹری کو براہ راست سمجھنے کے لیے زبان پر مبنی ماڈل کی تعلیم دے کر، MIT کام معاونین کی طرف اشارہ کرتا ہے جو ایک دن سادہ انگریزی میں بیان کردہ مواد کی درخواست کو سنبھال سکتے ہیں۔

تحقیقی ٹیم میں پہلے مصنف یانگ جیونگ پارک، ایک سابق ایم آئی ٹی پوسٹ ڈاک، میانک کمارن کے ساتھ، جو حال ہی میں یونیورسٹی آف ایلی نوائے اربانا-چیمپئن کمپیوٹر انجینئرنگ گریجویٹ، چیا وی سو، اور ایلسا اولیوٹی، جیری میکافی (1940) ایم آئی ٹی میں انجینئرنگ کے پروفیسر شامل تھے۔

آگے کیا آتا ہے۔

ماڈل ایک تحقیقی نظام بنی ہوئی ہے، اور MIT نے کسی پروڈکٹائزیشن کا اعلان نہیں کیا ہے۔ لیکن مضمرات وسیع ہیں: سالڈ سٹیٹ الیکٹرولائٹس ایک ٹیسٹ کیس تھے، اور وہی ڈھانچہ پلس لینگویج اپروچ اتپریرک، سیمی کنڈکٹرز، یا ساختی مواد پر لاگو ہو سکتا ہے۔ اگر نقطہ نظر کو عام کیا جاتا ہے تو، مواد کی دریافت میں رکاوٹ امیدوار کرسٹل پیدا کرنے سے لیب میں ان کی توثیق کی طرف منتقل ہوسکتی ہے - ایک شفٹ تجرباتی ماہرین کا خیرمقدم ہوگا۔

---

AI سے آگے رہیں

تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔

مزید AI خبریں پڑھیں →