Teknologi prototipe menyusut AI untuk menghadirkan fungsionalitas seperti otak dalam satu perangkat yang kuat - ScienceDaily
Top News

Algoritme CAMEO mengidentifikasi senyawa baru yang berpotensi berguna untuk perangkat fotonik dan komputer yang terinspirasi secara biologis – ScienceDaily


Ketika kata-kata “kecerdasan buatan” (AI) muncul di benak Anda, pikiran pertama Anda mungkin tentang komputer super cerdas, atau robot yang melakukan tugas tanpa memerlukan bantuan dari manusia. Sekarang, tim multi-institusi termasuk peneliti dari National Institute of Standards and Technology (NIST) telah mencapai sesuatu yang tidak terlalu jauh: Mereka mengembangkan algoritma AI yang disebut CAMEO yang menemukan bahan baru yang berpotensi berguna tanpa memerlukan pelatihan tambahan dari para ilmuwan. Sistem AI dapat membantu mengurangi jumlah waktu trial-and-error yang dihabiskan para ilmuwan di lab, sekaligus memaksimalkan produktivitas dan efisiensi dalam penelitian mereka.

Tim peneliti menerbitkan pekerjaan mereka di CAMEO di Komunikasi Alam.

Di bidang ilmu material, para ilmuwan berusaha untuk menemukan bahan baru yang dapat digunakan dalam aplikasi tertentu, seperti “logam yang ringan tetapi juga kuat untuk membuat mobil, atau yang dapat menahan tekanan dan suhu tinggi untuk mesin jet, “kata peneliti NIST Aaron Gilad Kusne.

Tetapi menemukan material baru seperti itu biasanya membutuhkan banyak eksperimen terkoordinasi dan pencarian teoretis yang memakan waktu. Jika seorang peneliti tertarik pada bagaimana sifat suatu bahan bervariasi dengan temperatur yang berbeda, maka peneliti mungkin perlu menjalankan 10 percobaan pada 10 temperatur yang berbeda. Tetapi suhu hanyalah salah satu parameter. Jika ada lima parameter yang masing-masing memiliki 10 nilai, maka peneliti tersebut harus menjalankan eksperimen 10 x 10 x 10 x 10 x 10 kali, total 100.000 eksperimen. Hampir tidak mungkin bagi seorang peneliti untuk menjalankan banyak eksperimen karena bertahun-tahun atau dekade yang mungkin diperlukan, kata Kusne.

Di situlah CAMEO berperan. Singkatan dari Sistem Otonomi Loop Tertutup untuk Eksplorasi dan Pengoptimalan Material, CAMEO dapat memastikan bahwa setiap eksperimen memaksimalkan pengetahuan dan pemahaman ilmuwan, melompati eksperimen yang akan memberikan informasi yang berlebihan. Membantu ilmuwan mencapai tujuan mereka lebih cepat dengan sedikit eksperimen juga memungkinkan laboratorium untuk menggunakan sumber daya mereka yang terbatas secara lebih efisien. Tapi bagaimana CAMEO bisa melakukan ini?

Metode di Balik Mesin

Pembelajaran mesin adalah proses di mana program komputer dapat mengakses data dan memprosesnya sendiri, secara otomatis meningkatkan kemampuannya sendiri, bukan mengandalkan pelatihan berulang. Ini adalah dasar untuk CAMEO, AI pembelajaran mandiri yang menggunakan prediksi dan ketidakpastian untuk menentukan eksperimen mana yang akan dicoba selanjutnya.

Seperti yang tersirat dari namanya, CAMEO mencari materi baru yang berguna dengan beroperasi dalam loop tertutup: CAMEO menentukan eksperimen mana yang akan dijalankan pada materi, melakukan eksperimen, dan mengumpulkan data. Itu juga dapat meminta informasi lebih lanjut, seperti struktur kristal dari bahan yang diinginkan, dari ilmuwan sebelum menjalankan percobaan berikutnya, yang diinformasikan oleh semua percobaan sebelumnya yang dilakukan dalam lingkaran.

“Kunci dari eksperimen kami adalah kami dapat melepaskan CAMEO di perpustakaan kombinatorial tempat kami telah membuat berbagai macam material dengan semua komposisi berbeda,” kata Ichiro Takeuchi, peneliti dan profesor ilmu dan teknik material di Universitas Maryland . Dalam studi kombinatorial biasa, setiap material dalam array akan diukur secara berurutan untuk mencari senyawa dengan sifat terbaik. Bahkan dengan penyiapan pengukuran yang cepat, itu membutuhkan waktu lama. Dengan CAMEO, hanya dibutuhkan sebagian kecil dari jumlah pengukuran biasa untuk mendapatkan material terbaik.

AI juga dirancang untuk memuat pengetahuan tentang prinsip-prinsip utama, termasuk pengetahuan tentang simulasi dan eksperimen laboratorium sebelumnya, cara kerja peralatan, dan konsep fisik. Misalnya, para peneliti mempersenjatai CAMEO dengan pengetahuan tentang pemetaan fasa, yang menjelaskan bagaimana susunan atom dalam suatu material berubah dengan komposisi kimia dan suhu.

Penting untuk memahami bagaimana atom disusun dalam suatu bahan dalam menentukan sifat-sifatnya seperti seberapa keras atau seberapa mengisolasinya secara elektrik, dan seberapa cocok bahan tersebut untuk aplikasi tertentu.

“AI tidak diawasi. Banyak jenis AI perlu dilatih atau diawasi. Daripada memintanya mempelajari hukum fisik, kami menyandikannya ke dalam AI. Anda tidak perlu manusia untuk melatih AI,” kata Kusne.

Salah satu cara terbaik untuk mengetahui struktur suatu bahan adalah dengan membombardirnya dengan sinar-X, dalam teknik yang disebut difraksi sinar-X. Dengan mengidentifikasi sudut di mana sinar-X memantul, para ilmuwan dapat menentukan bagaimana atom diatur dalam suatu bahan, memungkinkan mereka untuk mengetahui struktur kristalnya. Namun, percobaan difraksi sinar-X internal dapat memakan waktu satu jam atau lebih. Di fasilitas sinkrotron di mana sebuah mesin besar seukuran lapangan sepak bola mempercepat partikel bermuatan listrik mendekati kecepatan cahaya, proses ini dapat memakan waktu 10 detik karena partikel yang bergerak cepat memancarkan sinar-X dalam jumlah besar. Ini adalah metode yang digunakan dalam percobaan, yang dilakukan di Stanford Synchrotron Radiation Lightsource (SSRL).

Algoritme diinstal pada komputer yang terhubung ke peralatan difraksi sinar-X melalui jaringan data. CAMEO memutuskan komposisi material mana yang akan dipelajari selanjutnya dengan memilih material mana yang menjadi fokus sinar-X untuk menyelidiki struktur atomnya. Dengan setiap iterasi baru, CAMEO belajar dari pengukuran sebelumnya dan mengidentifikasi materi berikutnya untuk dipelajari. Hal ini memungkinkan AI untuk mengeksplorasi bagaimana komposisi material memengaruhi strukturnya dan mengidentifikasi material terbaik untuk tugas tersebut.

“Pikirkan proses ini seperti mencoba membuat kue yang sempurna,” kata Kusne. “Anda mencampur berbagai jenis bahan, tepung, telur, atau mentega, menggunakan berbagai resep untuk membuat kue terbaik.” Dengan AI, ia mencari melalui “resep” atau eksperimen untuk menentukan komposisi terbaik untuk bahan tersebut.

Pendekatan itu adalah bagaimana CAMEO menemukan materi? Ge? _4? Sb? _6? Te? _ (7,) yang disingkat grup menjadi GST467. CAMEO diberi 177 bahan potensial untuk diselidiki, mencakup berbagai macam resep komposisi. Untuk sampai pada materi ini, CAMEO melakukan 19 siklus eksperimental yang berbeda, yang memakan waktu 10 jam, dibandingkan dengan perkiraan 90 jam yang dibutuhkan seorang ilmuwan dengan set lengkap 177 bahan.

Materi Baru

Materi ini terdiri dari tiga unsur berbeda (germanium, antimon dan telurium, Ge-Sb-Te) dan merupakan bahan memori perubahan fasa, yaitu, ia mengubah struktur atomnya dari kristal (bahan padat dengan atom pada posisi yang ditentukan dan teratur. ) menjadi amorf (bahan padat dengan atom dalam posisi acak) bila cepat meleleh dengan menerapkan panas. Jenis material ini digunakan dalam aplikasi memori elektronik seperti penyimpanan data. Meskipun ada kemungkinan variasi komposisi tak terbatas dalam sistem paduan Ge-Sb-Te, material baru GST467 yang ditemukan oleh CAMEO optimal untuk aplikasi perubahan fasa.

Para peneliti ingin CAMEO menemukan paduan Ge-Sb-Te terbaik, yang memiliki perbedaan terbesar dalam “kontras optik” antara keadaan kristal dan amorf. Pada disk DVD atau Blu-ray, misalnya, kontras optik memungkinkan laser pemindaian membaca disk dengan membedakan antara wilayah yang memiliki reflektifitas tinggi atau rendah. Mereka menemukan bahwa GST467 memiliki kontras optik dua kali lipat dari? Ge? _2? Sb? _2? Te? _5, bahan terkenal yang biasa digunakan untuk DVD. Kontras yang lebih besar memungkinkan material baru mengungguli material lama dengan margin yang signifikan.

GST467 juga memiliki aplikasi untuk perangkat switching fotonik, yang mengontrol arah cahaya dalam suatu rangkaian. Mereka juga dapat diterapkan dalam komputasi neuromorfik, bidang studi yang berfokus pada pengembangan perangkat yang meniru struktur dan fungsi neuron di otak, membuka kemungkinan untuk jenis komputer baru serta aplikasi lain seperti mengekstrak data yang berguna dari gambar yang kompleks.

Aplikasi CAMEO yang Lebih Luas

Para peneliti percaya CAMEO dapat digunakan untuk banyak aplikasi material lainnya. Kode untuk CAMEO adalah open source dan akan tersedia secara gratis untuk digunakan oleh para ilmuwan dan peneliti. Dan tidak seperti pendekatan pembelajaran mesin yang serupa, CAMEO menemukan senyawa baru yang berguna dengan berfokus pada hubungan komposisi-struktur-properti bahan kristal. Dengan cara ini, algoritme menavigasi jalannya penemuan dengan melacak asal struktural dari fungsi material.

Salah satu manfaat CAMEO adalah meminimalkan biaya, karena mengusulkan, merencanakan, dan menjalankan eksperimen di fasilitas synchrotron membutuhkan waktu dan uang. Peneliti memperkirakan pengurangan waktu sepuluh kali lipat untuk percobaan menggunakan CAMEO, karena jumlah percobaan yang dilakukan dapat dipotong sepersepuluh. Karena AI menjalankan pengukuran, mengumpulkan data, dan melakukan analisis, ini juga mengurangi jumlah pengetahuan yang dibutuhkan peneliti untuk menjalankan eksperimen. Semua peneliti harus fokus menjalankan AI.

Manfaat lainnya adalah memberikan kemampuan bagi ilmuwan untuk bekerja dari jarak jauh. “Ini membuka gelombang ilmuwan untuk tetap bekerja dan produktif tanpa benar-benar berada di lab,” kata Apurva Mehta, seorang peneliti di SLAC National Accelerator Laboratory. Ini bisa berarti bahwa jika para ilmuwan ingin mengerjakan penelitian yang melibatkan penyakit atau virus menular, seperti COVID-19, mereka dapat melakukannya dengan aman dan dari jarak jauh sambil mengandalkan AI untuk melakukan eksperimen di laboratorium.

Untuk saat ini, para peneliti akan terus meningkatkan AI dan mencoba membuat algoritme yang mampu memecahkan masalah yang semakin kompleks. “CAMEO memiliki kecerdasan ilmuwan robot, dan dibuat untuk merancang, menjalankan, dan belajar dari eksperimen dengan cara yang sangat efisien,” kata Kusne.

SSRL tempat eksperimen berlangsung adalah bagian dari SLAC National Accelerator Laboratory, yang dioperasikan oleh Universitas Stanford untuk Kantor Ilmu Pengetahuan Departemen Energi AS. Peneliti SLAC membantu mengawasi eksperimen yang dijalankan oleh CAMEO.

Para peneliti di University of Maryland menyediakan bahan yang digunakan dalam eksperimen, dan peneliti di University of Washington mendemonstrasikan materi baru tersebut dalam perangkat memori pengubah fase.

Dipersembahkan Oleh : Lapak Judi

Baca Juga : Slot Online