நொடிகளில் புதிய பொருட்களை உருவாக்கும் AI இன் தாக்கங்கள்

எடுத்துக்காட்டாக, மெட்டீரியல்ஸ் ப்ராஜெக்ட் மற்றும் பிற குழுக்களின் தலைமையிலான கணக்கீட்டு அணுகுமுறைகள் இன்றுவரை 28,000 புதிய பொருட்களை உருவாக்க உதவியுள்ளன.

ஆனால் இது ஒரு விலையுயர்ந்த மற்றும் நேரத்தைச் செலவழிக்கும் செயல்முறையாகும், மேலும் ஆராய்ச்சியாளர்கள் தீவிரமாக வேறுபட்ட கட்டமைப்புகளை உருவாக்குவது கடினமாக இருக்கலாம், ஏனெனில் அவை பெரும்பாலும் இருக்கும் பொருட்களுடன் வேலை செய்கின்றன.

சமீபத்தில், கூகுள் யூனிட் டீப் மைண்ட் டெக்னாலஜிஸின் AI கருவி, கிராஃப் நெட்வொர்க்ஸ் ஃபார் மெட்டீரியல்ஸ் எக்ஸ்ப்ளோரேஷன் (GNOME) எனப்படும், 2.2 மில்லியன் படிகங்களை உருவாக்க உதவியது, அவற்றில் 380,000 நிலையான பொருட்கள்.

இது குறிப்பிடத்தக்க முன்னேற்றமாகும், ஏனெனில் இது ஆராய்ச்சியாளர்கள் பசுமையான தொழில்நுட்பங்களை உருவாக்க உதவும் மின்சார கார்கள், ஒளிமின்னழுத்தங்கள், சூப்பர் கண்டக்டர்கள் மற்றும் மிகவும் திறமையான கணினி போன்றவை.

GNOME என்பது ஒரு ஆழமான கற்றல் கருவியாகும், இது புதிய பொருட்களின் நிலைத்தன்மையை முன்னறிவிக்கிறது, இதனால் கண்டுபிடிப்பின் வேகம் மற்றும் செயல்திறனை அதிகரிக்கிறது மற்றும் ஆராய்ச்சியாளர்கள் பொருட்களை வேகமாகவும் அளவிலும் உருவாக்க அனுமதிக்கிறது. கூகுள் தனது புதிய கண்டுபிடிப்பு “கிட்டத்தட்ட 800 ஆண்டுகால அறிவுக்கு சமம்” என்று கூறுகிறது.

Image courtesy of Google

முழு படத்தையும் பார்க்கவும்

பட உபயம் கூகுள்

GNOME இன் கணிப்புகள் உலகெங்கிலும் உள்ள விஞ்ஞானிகளுக்கு அணுகக்கூடியவை. லாரன்ஸ் பெர்க்லி தேசிய ஆய்வகத்தின் ஆராய்ச்சியாளர்கள் குழு, DeepMind உடன் இணைந்து, தன்னாட்சி பொருள் தொகுப்புக்கு AI கணிப்புகளை எவ்வாறு மேம்படுத்தலாம் என்பதை வெளிப்படுத்தும் ஒரு ஆய்வறிக்கையை வெளியிட்டுள்ளது. புதிய பொருட்களை உருவாக்க இந்த ஆய்வகம் இயந்திர கற்றல் மற்றும் ரோபோ ஆயுதங்களைப் பயன்படுத்துகிறது.

இதெல்லாம் எப்படி உயர்கிறது?

மற்ற ஆராய்ச்சியாளர்கள் தங்கள் ஆய்வகங்களில் GNOME இன் 736 புதிய பொருட்களை சுயாதீனமாக உருவாக்கியுள்ளனர் என்று கூகுள் தெரிவித்துள்ளது. AI கருவியானது கிராபெனைப் போன்ற 52,000 புதிய அடுக்கு சேர்மங்களை அடையாளம் கண்டுள்ளது, அவை சூப்பர் கண்டக்டர்களை உருவாக்க சிலிக்கானுக்கு பதிலாக பயன்படுத்தப்படலாம். முன்னதாக, இதுபோன்ற சுமார் 1,000 பொருட்கள் அடையாளம் காணப்பட்டன.

GNOME ஆனது 528 சாத்தியமான லித்தியம்-அயன் கடத்திகளைக் கண்டறிந்தது, இது முந்தைய முயற்சியை விட 25 மடங்கு அதிகம், இது ரிச்சார்ஜபிள் பேட்டரிகளின் செயல்திறனை மேம்படுத்தப் பயன்படும்.

கூகிள் GNOME ஐ ஒரு வரைபட நரம்பியல் நெட்வொர்க் (GNN) மாதிரியாக விவரிக்கிறது, இதில் உள்ளீட்டு தரவு வரைபட வடிவத்தை எடுக்கும். AI மாதிரியானது முதலில் படிக கட்டமைப்புகள் மற்றும் அவற்றின் நிலைத்தன்மை பற்றிய தரவுகளுடன் பயிற்சியளிக்கப்பட்டது, இது மெட்டீரியல்ஸ் திட்டத்தின் மூலம் வெளிப்படையாகக் கிடைக்கிறது.

கூகிள் அதன் மாதிரியின் செயல்திறனை அடர்த்தி செயல்பாட்டுக் கோட்பாடு (DFT) எனப்படும் கணக்கீட்டு நுட்பங்களைப் பயன்படுத்தி தொடர்ந்து மதிப்பிட்டது – இயற்பியல், வேதியியல் மற்றும் பொருட்கள் அறிவியலில் அணுக்களின் கட்டமைப்புகளைப் புரிந்துகொள்வதற்கு-படிகங்களின் நிலைத்தன்மையை மதிப்பிடுவதற்குப் பயன்படுத்தப்படுகிறது. இது ‘ஆக்டிவ் லேர்னிங்’ எனப்படும் பயிற்சி செயல்முறையையும் பயன்படுத்தியது, இது GNOME இன் செயல்திறனை உயர்த்தியது.

புதிய, நிலையான படிகங்களின் கட்டமைப்புகளுக்கான கணிப்புகளை GNOME உருவாக்கும், பின்னர் அவை DFT ஐப் பயன்படுத்தி சோதிக்கப்பட்டன. இதன் விளைவாக பயிற்சி தரவு பின்னர் பயிற்சி மாதிரியில் மீண்டும் வழங்கப்பட்டது.

“எங்கள் ஆராய்ச்சி, முந்தைய அதிநவீன மாடல்களால் அமைக்கப்பட்ட வெளிப்புற அளவுகோலான மேட்பெஞ்ச் டிஸ்கவரியின் அடிப்படையில் பொருட்களின் நிலைத்தன்மை கணிப்பின் கண்டுபிடிப்பு விகிதத்தை சுமார் 50% முதல் 80% வரை உயர்த்தியது” என்று கூகிள் ஒரு வலைப்பதிவில் தெரிவித்துள்ளது.

“கண்டுபிடிப்பு விகிதத்தை 10% க்கும் குறைவாக இருந்து 80% க்கு மேல் மேம்படுத்துவதன் மூலம் எங்கள் மாதிரியின் செயல்திறனை அதிகரிக்க முடிந்தது – இது போன்ற செயல்திறன் அதிகரிப்பு ஒரு கண்டுபிடிப்புக்கு எவ்வளவு கணக்கீடு தேவைப்படுகிறது என்பதில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தும்.”

AI மாதிரிகளுக்கு வரம்புகள் உள்ளன. உதாரணமாக, பெர்க்லியின் ஏ-லேப், அது குறிவைத்த 58 பொருட்களில் 17 ஐ உருவாக்கத் தவறிவிட்டது. சில பொருட்கள் அதிக வெப்பநிலைக்கு சூடாக்கப்பட வேண்டும் அல்லது நன்றாக தரையில் இருக்க வேண்டும், இவை AI இன் தற்போதைய வரம்புக்கு வெளியே உள்ள ஆய்வகங்களில் நிலையான படிகள்.

மற்ற AI அமைப்புகளைப் போன்ற மாதிரிகள், அவர்கள் எவ்வாறு தங்கள் முடிவை எடுத்தார்கள் என்பதை விளக்கவில்லை என்று நிபுணர்கள் சுட்டிக்காட்டுகின்றனர், மற்ற ஆராய்ச்சியாளர்கள் செயல்முறையைப் புரிந்து கொள்ள விரும்பினால் இது உதவாது.

எனவே AI வாழ்க்கையின் மர்மத்தை தீர்க்க முடியுமா?

ஜூலை 2022 இல் தான் டீப் மைண்ட் டெக்னாலஜிஸ் தாவரங்கள், பாக்டீரியாக்கள், விலங்குகள் மற்றும் மனிதர்களில் காணப்படும் 200 மில்லியனுக்கும் அதிகமான புரதங்களின் 3D-கணிக்கப்பட்ட கட்டமைப்புகளை வெளியிட்டது. DeepMind இன் AI அமைப்பான AlphaFold ஆல் உருவாக்கப்பட்ட கட்டமைப்புகள், புரதங்கள் எவ்வாறு மடிகின்றன என்பதைப் பற்றிய புரிதலை மேம்படுத்த ஆராய்ச்சியாளர்களுக்கு உதவுகின்றன.

நியூக்ளிக் அமிலங்கள் (டிஎன்ஏ மற்றும் ஆர்என்ஏ), லிப்பிடுகள் மற்றும் கிளைக்கான்கள் ஆகியவற்றுடன் புரதங்கள் மனித வாழ்வின் கட்டுமானத் தொகுதிகள் என்பதால் இந்த கண்டுபிடிப்பு முக்கியமானதாக இருந்தது, மேலும் மடிப்பு ஒரு புரதத்தை செயல்பாட்டு வடிவம் அல்லது இணக்கத்தை ஏற்க அனுமதிக்கிறது.

புரதங்கள் எவ்வாறு மடிகின்றன என்பதை ஆராய்ச்சியாளர்கள் சிறப்பாகக் கணிக்க முடிந்தால், செல்கள் எவ்வாறு செயல்படுகின்றன மற்றும் தவறாக மடிந்த புரதங்கள் எவ்வாறு நோய்களை ஏற்படுத்தும் என்பதை நன்கு புரிந்து கொள்ள முடியும் – இது புரதம்-மடிப்பு பிரச்சனை என அழைக்கப்படுகிறது.

ஆல்பாஃபோல்ட் அதன் அமினோ அமில சங்கிலியிலிருந்து ஒரு புரதத்தின் 3D கட்டமைப்பைக் கணிக்க AI அமைப்பைப் பயன்படுத்துகிறது. 2020 இல் அறிவிக்கப்பட்டது, DeepMind 2021 இல் வெளியிடப்பட்டது மற்றும் திறந்த மூல AlphaFold2 மற்றும் பல டெராபைட் ஆல்பாஃபோல்ட் புரோட்டீன் கட்டமைப்பு தரவுத்தளத்தை (ஆல்ஃபாஃபோல்ட் டிபி, நிறுவனம் புரத கட்டமைப்புகளுக்கான ‘கூகுள் தேடலுக்கு’ ஒப்பிடுகிறது)

ஒரு வருடம் கழித்து, EMBL இன் ஐரோப்பிய உயிர் தகவலியல் நிறுவனத்துடன் (EMBL-EBI) டீப் மைண்ட் இணைந்து 200 மில்லியனுக்கும் அதிகமான புரதங்களுக்கான கணிக்கப்பட்ட கட்டமைப்புகளை வெளியிட்டது, இது அறிவியலில் உள்ள ஒவ்வொரு பட்டியலிடப்பட்ட புரதத்தையும் உள்ளடக்கியது. “ஒரு நாள், வாழ்க்கை எவ்வாறு செயல்படுகிறது என்பதற்கான மர்மங்களைத் திறக்கவும் இது உதவக்கூடும்” என்று கூகிள் வலைப்பதிவு கூறுகிறது.

Image courtesy of Google

முழு படத்தையும் பார்க்கவும்

பட உபயம் கூகுள்

அணு துல்லியத்தை அடைவதன் முக்கியத்துவம்

கூகுளின் கூற்றுப்படி, குறைந்தது 190 நாடுகளில் உள்ள 1.4 மில்லியன் பயனர்கள் இன்றுவரை AlphaFold தரவுத்தளத்தை அணுகியுள்ளனர். உலகெங்கிலும் உள்ள விஞ்ஞானிகள் புதிய மலேரியா தடுப்பூசிகளை விரைவுபடுத்துதல் மற்றும் புற்றுநோய் மருந்து கண்டுபிடிப்பை முன்னெடுப்பது முதல் மாசுபாட்டைச் சமாளிப்பதற்கான பிளாஸ்டிக் உண்ணும் நொதிகளை உருவாக்குவது வரை அனைத்திலும் முன்னேற்ற ஆராய்ச்சிக்கு உதவ AlphaFold இன் கணிப்புகளைப் பயன்படுத்தியுள்ளனர்.

போர்ட்ஸ்மவுத் பல்கலைக்கழகத்தில் உள்ள என்சைம் கண்டுபிடிப்புக்கான மையம் AI அமைப்பைப் பயன்படுத்தி ஒருமுறை பயன்படுத்தும் பிளாஸ்டிக்கை மறுசுழற்சி செய்வதற்கான வேகமான நொதிகளை உருவாக்க உதவுகிறது, அதே நேரத்தில் கலிபோர்னியா பல்கலைக்கழகம் கோவிட்-19 (SARS-CoV) இன் உயிரியலை நன்கு புரிந்துகொள்ள கணிப்புகளைப் பயன்படுத்தியுள்ளது. -2) வைரஸ்.

ஆல்பாஃபோல்டின் சமீபத்திய மாதிரியானது புரோட்டீன் தரவு வங்கியில் உள்ள அனைத்து மூலக்கூறுகளுக்கும் கணிப்புகளை உருவாக்க முடியும், “அடிக்கடி அணு துல்லியத்தை அடைகிறது”.

மூலக்கூறு உயிரியலாளர் சைரஸ் லெவிந்தால் பெயரிடப்பட்ட லெவிந்தலின் முரண்பாடு, புரதங்கள் வினாடிகள் அல்லது மில்லி விநாடிகளில் மடிந்தாலும் கூட, அறியப்பட்ட பிரபஞ்சத்தின் வயதை விட (சுமார் 13.8 பில்லியன் ஆண்டுகள்) அதிக நேரம் எடுக்கும் என்று குறிப்பிடுகிறது. முரட்டு சக்தி.

AlphaFold மற்றும் RoseTTAFold போன்ற AI அமைப்புகள், மருந்துகள் எவ்வாறு கண்டுபிடிக்கப்பட்டு உருவாக்கப்படுகின்றன என்பதை வியத்தகு முறையில் மேம்படுத்த AI இன் பயன்பாட்டில் முன்னேற்றங்களை மேம்படுத்துகின்றன. ஸ்கிரிப்ஸ் ரிசர்ச் ட்ரான்ஸ்லேஷனல் இன்ஸ்டிட்யூட்டின் நிறுவனரும் இயக்குனருமான எரிக் டோபோல் கருத்துப்படி, “பல மாதங்கள் அல்லது வருடங்கள் எடுத்ததை” ஆல்ஃபாஃபோல்ட் நொடிகளில் செய்ய முடியும்.

Source link

Leave a Reply

Your email address will not be published. Required fields are marked *