ಮಿತ ಪ್ರಮಾಣದ ದತ್ತಾಂಶದಿಂದ ವಸ್ತು-ಗುಣಸ್ವಭಾವಗಳ ಊಹಿಸುವಿಕೆ

30 ಡಿಸೆಂಬರ್ 2024

-ಸಿಂಧು ಎಂ

ಕಡಿಮೆ ಪ್ರಮಾಣದ ದತ್ತಾಂಶಗಳಿಂದಲೇ ವಸ್ತುಗಳ ಗುಣಸ್ವಭಾವಗಳನ್ನು ಊಹಿಸಬಲ್ಲ ಮಷೀನ್ ಲರ್ನಿಂಗ್-ಆಧರಿತ ವಿಧಾನಗಳನ್ನು ಭಾರತೀಯ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆಯ (ಐ.ಐ.ಎಸ್.ಸಿ.) ಸಂಶೋಧಕರು ಯೂನಿವರ್ಸಿಟಿ ಕಾಲೇಜ್ ಲಂಡನ್ ನ ತಜ್ಞರ ಸಹಭಾಗಿತ್ವದಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಇದು, ಅರೆವಾಹಕಗಳಂತಹ ಅಪೇಕ್ಷಿತ ಗುಣಸ್ವಭಾವಗಳಿಂದ ಕೂಡಿದ ವಸ್ತುಗಳ ಆವಿಷ್ಕಾರದಲ್ಲಿ ನೆರವಾಗುವ ಸಾಧ್ಯತೆ ಇದೆ.

ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ, ಮಟೀರಿಯಲ್ಸ್ ಎಂಜಿನಿಯರುಗಳು, ಹೊಸ ವಸ್ತುಗಳನ್ನು ರೂಪಿಸುವ ದಿಸೆಯಲ್ಲಿ, ಯಾವ ಬಗೆಯ ವಸ್ತುಗಳು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಬ್ಯಾಂಡ್ ಗ್ಯಾಪ್ ಗಳು, ಫಾರ್ಮೇಷನ್ ಎನರ್ಜೀಸ್ ಹಾಗೂ ಯಾಂತ್ರಿಕ ಸಂಬಂಧಿತ (ಮೆಕ್ಯಾನಿಕಲ್) ಗುಣಸ್ವಭಾವಗಳಂತಹ ನಿರ್ದಿಷ್ಟ ಗುಣಧರ್ಮಗಳನ್ನು ಹೊಂದಿರಬಹುದು ಎಂಬುದನ್ನು ಊಹಿಸಲು ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳೆಡೆಗೆ ಮುಖ ಮಾಡಿದ್ದಾರೆ. ಆದರೆ, ಈ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಅಗತ್ಯವಿರುವ ವಸ್ತು-ಗುಣಸ್ವಭಾವಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ದತ್ತಾಂಶದ ಲಭ್ಯತೆಯು ಸೀಮಿತ ಪ್ರಮಾಣದಲ್ಲಿದೆ. ಏಕೆಂದರೆ, ಈ ವಸ್ತುಗಳನ್ನು ಪರೀಕ್ಷೆಗೆ ಒಳಪಡಿಸುವುದು ದುಬಾರಿಯಾದ ಹಾಗೂ ಸಾಕಷ್ಟು ಸಮಯ ಹಿಡಿಯುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿರುತ್ತದೆ. ಭಾರತೀಯ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆಯ (ಐ.ಐ.ಎಸ್.ಸಿ.) ಮಟೀರಿಯಲ್ಸ್ ಎಂಜಿನಿಯರಿಂಗ್ ವಿಭಾಗದ ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕ ಸಾಯಿ ಗೌತಮ್ ಗೋಪಾಲಕೃಷ್ಣನ್ ಅವರ ನೇತೃತ್ವದ ಸಂಶೋಧಕರ ತಂಡದವರು ಇದಕ್ಕೆ ಪರಿಹಾರ ಕಂಡುಹಿಡಿಯಲು ಮುಂದಾದರು. ವಸ್ತುವಿನ ನಿರ್ದಿಷ್ಟ ಗುಣಸ್ವಭಾವಗಳ ಮಾಪನಾಂಕಗಳನ್ನು ಊಹಿಸಲು ಟ್ರ್ಯಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್ ಎಂದು ಕರೆಯಲಾಗುವ ‘ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಅಪ್ರೋಚ್’ ಎಂಬ ದಕ್ಷತೆಯಿಂದ ಕೂಡಿದ ವಿಧಾನವನ್ನು ರೂಪಿಸುವಲ್ಲಿ ಅವರು ಯಶಸ್ವಿಯಾದರು.

‘ಟ್ರ್ಯಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್’ನಲ್ಲಿ, ಮೊದಲಿಗೆ, ಬೃಹತ್ ಮಾದರಿಯೊಂದನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದ ದತ್ತಾಂಶ ಗಣದ ಮೇಲೆ ಪೂರ್ವ-ತರಬೇತಿಗೊಳಿಸಿ, ನಂತರ ಅದನ್ನು ಸಣ್ಣ ಪ್ರಮಾಣದ ಗುರಿ ಕೇಂದ್ರಿತ ದತ್ತಾಂಶ ಗುಣಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುವ ರೀತಿಯಲ್ಲಿ ಮಾರ್ಪಡಿಸಲಾಗುತ್ತದೆ. “ಈ ವಿಧಾನದಲ್ಲಿ, ಮಾದರಿಯು ಮೊದಲಿಗೆ ಸರಳ ಕಾರ್ಯಗಳನ್ನು, ಉದಾಹರಣೆಗೆ, ಚಿತ್ರಗಳನ್ನು, ಬೆಕ್ಕುಗಳು ಹಾಗೂ ಬೆಕ್ಕು ಅಲ್ಲದವುಗಳು ಎಂಬ ರೀತಿಯಲ್ಲಿ ವರ್ಗೀಕರಿಸಲು ಕಲಿಯುತ್ತದೆ. ನಂತರ, ಅದನ್ನು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗೆ, ಅಂದರೆ, ಅಂಗಾಂಶದ ಚಿತ್ರಗಳನ್ನು ನೀಡಿದರೆ, ಅವನ್ನು ಗಡ್ಡೆ ಇರುವ ಹಾಗೂ ಗಡ್ಡೆ ಇಲ್ಲದವುಗಳೆಂದು ವರ್ಗೀಕರಿಸುವ ಮೂಲಕ ಕ್ಯಾನ್ಸರ್ ರೋಗ ದೃಢೀಕರಿಸಲು ತರಬೇತಿಗೊಳಿಸಲಾಗುತ್ತದೆ” ಎಂದು ಗೋಪಾಲಕೃಷ್ಣನ್ ವಿವರಿಸುತ್ತಾರೆ.

ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳು ಚಿತ್ರದಂತಹ ಒಳಪೂರಣ (ಇನ್ ಪುಟ್) ದತ್ತಾಂಶವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಪಡಿಸಿ, ಅದರಲ್ಲಿರುವ ಆಕಾರಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲ ಹೊರಪೂರಣ (ಔಟ್ ಪುಟ್) ಗಳನ್ನುಸೃಜಿಸುತ್ತವೆ. ಮಾದರಿಯ ಮೊದಲ ಪದರವು ಕಚ್ಚಾ ಚಿತ್ರವನ್ನು ‘ಇನ್ ಪುಟ್’ ಆಗಿ ಪಡೆಯುತ್ತದೆ. ನಂತರದ ಪದರಗಳು, ಚಿತ್ರದಿಂದ ಅಂಚುಗಳಂತಹ ನಿರ್ದಿಷ್ಟ ಅಂಶಗಳನ್ನು ಹೆಕ್ಕಿ ಕಲೆಹಾಕಿ, ಅವನ್ನು ಸಂಸ್ಕರಣೆಗೊಳಿಸುತ್ತಾ ಹೋಗುತ್ತದೆ. ಕೊನೆಯ ಪದರಗಳು ಈ ಅಂಶಗಳನ್ನು ಸಂಯೋಜನೆಗೊಳಿಸಿ ಆಕಾರಗಳಂತಹ ಉನ್ನತ-ಸ್ತರದ ಚಹರೆಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ. ಯಾವುದೇ ವಸ್ತುವಿನ ಮೂರು ಆಯಾಮಗಳುಳ್ಳ ಸ್ಫಟಿಕೀಯ ಸಂರಚನೆಯಂತಹ ‘ಗ್ರ್ಯಾಫ್-ಸ್ಟ್ರಕ್ಚರ್ಡ್’ ನೊಂದಿಗೆ ಕಾರ್ಯಾಚರಿಸುವ ‘ಗ್ರ್ಯಾಫ್ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್’ಗಳಂತಹ (ಜಿಎನ್ಎನ್ ಗಳು) ವಿವಿಧ ಆರ್ಕಿಟೆಕ್ಚರ್ ಗಳನ್ನು ಬಳಸಿ ಈ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದಾಗಿರುತ್ತದೆ. ಜಿಎನ್ಎನ್ ಗಳಲ್ಲಿ, ಪ್ರತಿಯೊಂದು ಪದರದಲ್ಲೂ ಮಾಹಿತಿಯು ‘ನೋಡ್’ಗಳಾಗಿ (ಸಂರಚನೆಯಲ್ಲಿ ಪರಮಾಣುಗಳು) ಪ್ರತಿನಿಧಿತಗೊಳ್ಳುತ್ತದೆ ಹಾಗೂ ‘ನೋಡ್’ಗಳ ನಡುವಿನ ಸಂಪರ್ಕವು ಅಂಚುಗಳಾಗಿ (ಪರಮಾಣುಗಳ ನಡುವಿನ ಬಂಧಗಳು) ಪ್ರತಿನಿಧಿತಗೊಳ್ಳುತ್ತದೆ. ಪ್ರಸ್ತುತ ಅಧ್ಯಯನಕ್ಕೆ, ಸಂಶೋಧಕರ ತಂಡವು ಜಿಎನ್ಎನ್-ಆಧರಿತ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು.

ಜಿಎನ್ಎನ್ ದ ಆರ್ಕಿಟೆಕ್ಚರ್, ಅಂದರೆ, ಪದರಗಳ ಸಂಖ್ಯೆ ಹಾಗೂ ಅವು ಹೇಗೆ ಸಂಪರ್ಕಗೊಂಡಿವೆ ಎಂಬುದು, ಮಾದರಿಯೊಂದು ಎಷ್ಟು ಉತ್ತಮವಾಗಿ ಕಲಿಯಬಲ್ಲದು ಹಾಗೂ ದತ್ತಾಂಶದಲ್ಲಿನ ಸಂಕೀರ್ಣ ಅಂಶಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ತಂಡದ ತಜ್ಞರು, ಮೊದಲಿಗೆ, ಮಾದರಿಗೆ ಅಗತ್ಯವಿರುವ ‘ಆಪ್ಟಿಮಲ್ ಆರ್ಕಿಟೆಕ್ಚರ್’ಅನ್ನು ಮತ್ತು ವಸ್ತುವಿನ ಗುಣಸ್ವಭಾವಗಳನ್ನು ಊಹಿಸಲು ಬೇಕಿರುವ ತರಬೇತಿ ದತ್ತಾಂಶ ಗಾತ್ರವನ್ನು ನಿರ್ಧರಿಸಿದರು. ಜೊತೆಗೆ, ಕೆಲವೇ ಪದರಗಳನ್ನು ಮಾತ್ರ ಹೊಂದಾಣಿಕೆಗೆ ಹಾಗೂ ಉಳಿದವುಗಳನ್ನು ‘ಫ್ರೀಜಿಂಗ್’ಗೆ ಒಳಪಡಿಸಿ, ಮಾದರಿಗೆ ಪೂರ್ವ-ತರಬೇತಿಯನ್ನೂ ನೀಡಿದರು ಎಂದು ವಿವರಿಸುತ್ತಾರೆ ಮಟೀರಿಯಲ್ಸ್ ಎಂಜಿನಿಯರಿಂಗ್ ವಿಭಾಗದ ಮೊದಲ ಲೇಖಕರಾದ ಪಿಎಚ್.ಡಿ. ವಿದ್ಯಾರ್ಥಿ ರೇಷ್ಮಾ ದೇವಿರವರು. ಈ ಆಪ್ಟಿಮೈಸ್ಡ್ ಹಾಗೂ ಪೂರ್ವ-ತರಬೇತಿ ಮಾದರಿಗೆ, ವಸ್ತುವಿನ ಡೈಎಲೆಕ್ಟ್ರಿಕ್ ಕಾನ್ಸ್ಟಂಟ್ ಹಾಗೂ ವಸ್ತುವಿನ ಫಾರ್ಮೇಷನ್ ಎನರ್ಜಿಯಂತಹ ವಸ್ತು-ಗುಣಸ್ವಭಾವಗಳ ಬಗೆಗಿನ ದತ್ತಾಂಶವನ್ನು ಅವರು ‘ಇನ್ ಪುಟ್’ ಆಗಿ ಲಭ್ಯವಾಗಿಸಿದರು. ಮಾದರಿಯು, ಪೀಜೋಎಲೆಕ್ಟ್ರಿಕ್ ಕೋಎಫಿಷಿಯಂಟ್ ನಂತಹ ವಸ್ತುವಿನ ನಿರ್ದಿಷ್ಟ ಗುಣಸ್ವಭಾವದ ಮಾಪನಾಂಕಗಳನ್ನು ಊಹಿಸಬಲ್ಲ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರಬೇಕೆಂಬುದು ಅವರ ಉದ್ದೇಶವಾಗಿದ್ದಿತು.

ಮೊದಲಿಗೆ ಪೂರ್ವ-ತರಬೇತಿ ನೀಡಿದ ಹಾಗೂ ನಂತರ ಸಮರ್ಪಕವಾಗಿ ಹೊಂದಾಣಿಕೆಗೊಳಿಸಲಾದ ತಮ್ಮ ಟ್ರ್ಯಾನ್ಫರ್ ಲರ್ನಿಂಗ್-ಆಧರಿತ ಮಾದರಿಯು ಪೂರ್ವ-ತರಬೇತಿ ರಹಿತ ಸ್ಥಿತಿಯಿಂದ ತರಬೇತಿಗೊಳಿಸಿದ ಮಾದರಿಗಳಿಗಿಂತ ಬಹಳ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯಾಚರಿಸುವುದು ತಂಡದ ತಜ್ಞರಿಗೆ ದೃಢಪಟ್ಟಿತು. ತಜ್ಞರು, ಮಲ್ಟಿ-ಪ್ರಾಪರ್ಟಿ ಪ್ರೀ-ಟ್ರೈನಿಂಗ್ (ಎಂಪಿಟಿ) ಎಂಬ ಕ್ರಮವಿಧಾನವನ್ನು ಕೂಡ ಬಳಸಿದರು. ಅಂದರೆ, ಏಳು ವಿವಿಧ ಬೃಹತ್ 3ಡಿ ವಸ್ತು-ಗುಣಸ್ವಭಾವಗಳ ಬಗ್ಗೆ ಏಕಕಾಲಕ್ಕೆ ಪೂರ್ವ-ತರಬೇತಿ ನೀಡಿದರು. ಅಚ್ಚರಿದಾಯಕ ಸಂಗತಿಯೆಂದರೆ, ಈ ಮಾದರಿಯು ತರಬೇತಿ ನೀಡಿರದಿದ್ದ 2ಡಿ ವಸ್ತುಗಳ ಬ್ಯಾಂಡ್ ಗ್ಯಾಪ್ ಮಾಪನಾಂಕವನ್ನು ಊಹಿಸಬಲ್ಲದಾಗಿತ್ತು.

ಈಗ ಸಂಶೋಧಕರು ಈ ಮಾದರಿಯನ್ನು ಬ್ಯಾಟರಿಯಲ್ಲಿ ವಿದ್ಯುಧ್ರುವಗಳ ನಡುವೆ ಅಯಾನುಗಳು ಎಷ್ಟು ಕ್ಷಿಪ್ರವಾಗಿ ಚಲಿಸಬಲ್ಲವು ಎಂಬುದನ್ನು ಊಹಿಸಲು ಬಳಸುತ್ತಿದ್ದಾರೆ. ಇದು, ಸುಧಾರಿತ ಶಕ್ತಿ ಸಂಗ್ರಾಹಕ ಸಾಧನಗಳನ್ನು ರೂಪಿಸಲು ಮಹತ್ವದ ನೆರವು ನೀಡಬಹುದು. “ಪಾಯಿಂಟ್ ಡಿಫೆಕ್ಟ್ ಗಳನ್ನು ರೂಪಿಸಲು ಅರೆವಾಹಕಗಳು ತೋರುವ ಪ್ರವೃತ್ತಿಯನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಸುಧಾರಿತ ಅರೆವಾಹಕಗಳನ್ನು ತಯಾರಿಸಲು ಇದನ್ನು ಬಳಸಬಹುದು. ಇದು ಭಾರತದ ಸೆಮಿಕಂಡಕ್ಕರ್ ತಯಾರಿಕೆಯ ಉತ್ತೇಜನಕ್ಕೆ ಕೊಡುಗೆ ನೀಡಬಲ್ಲದು” ಎನ್ನುತ್ತಾರೆ ಗೋಪಾಲಕೃಷ್ಣನ್.

ಉಲ್ಲೇಖ:

ದೇವಿ ಆರ್, ಬಟ್ಲರ್ ಕೆಟಿ, ಗೋಪಾಲಕೃಷ್ಣನ್ ಎಸ್.ಜಿ., Optimal pre-train/fine-tune strategies for accurate material property predictions, npj Computational Materials (2024). https://www.nature.com/articles/s41524-024-01486-1

ಸಂಪರ್ಕ:

ಸಾಯಿ ಗೌತಮ್ ಗೋಪಾಲಕೃಷ್ಣನ್
ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕರು
ಮಟೀರಿಯಲ್ಸ್ ಎಂಜಿನಿಯರಿಂಗ್ ವಿಭಾಗ
ಭಾರತೀಯ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆ (ಐ.ಐ.ಎಸ್.ಸಿ.)
ಇಮೇಲ್: saigautamg@iisc.ac.in ಫೋನ್: +91-80-2293-2342

ವೆಬ್ ಸೈಟ್: https://sai-mat-group.github.io/

ಪರ್ತಕರ್ತರ ಗಮನಕ್ಕೆ:

ಅ) ಈ ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಯನ್ನು ಅಥವಾ ಇದರ ಯಾವುದೇ ಭಾಗವನ್ನು ಯಥಾವತ್ತಾಗಿ ಸುದ್ದಿಯಾಗಿ ಪ್ರಕಟಿಸಿದರೆ
ದಯವಿಟ್ಟು ಐ.ಐ.ಎಸ್.ಸಿ. ಹೆಸರಿನೊಂದಿಗೆ ಪ್ರಕಟಿಸಿ.

ಆ) ಐ.ಐ.ಎಸ್.ಸಿ. ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಏನಾದರೂ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ ದಯವಿಟ್ಟು news@iisc.ac.in
ಅಥವಾ pro@iisc.ac.in ಗೆ ಬರೆಯಿರಿ.