مادے میں الیکٹران کی ترتیب، جسے الیکٹرانک ڈھانچے کے نام سے جانا جاتا ہے، بنیادی بلکہ عملی تحقیق جیسے کہ منشیات کے ڈیزائن اور توانائی کے ذخیرہ میں بھی اہم کردار ادا کرتا ہے۔ تاہم، ایک نقلی تکنیک کا فقدان جو مختلف وقت اور طوالت کے پیمانوں میں اعلیٰ وفاداری اور توسیع پذیری دونوں پیش کرتا ہے، طویل عرصے سے ان ٹیکنالوجیز کی ترقی کے لیے ایک رکاوٹ ہے۔ Görlitz، جرمنی میں Helmholtz-Zentrum Dresden-Rossendorf (HZDR) میں سینٹر فار ایڈوانسڈ سسٹمز انڈرسٹینڈنگ (CASUS) اور البوکرک، نیو میکسیکو، USA میں Sandia نیشنل لیبارٹریز کے محققین نے اب مشین لرننگ پر مبنی نقلی طریقہ کار کا آغاز کیا ہے۔npj کمپیوٹیشنل مواد)، جو روایتی الیکٹرانک ڈھانچے کی نقلی تکنیکوں کی جگہ لے لیتا ہے۔ ان کا میٹریلز لرننگ الگورتھم (MALA) سافٹ ویئر اسٹیک اس قابل بناتا ہے کہ پہلے ناقابل رسائی لمبائی کے پیمانے تک رسائی حاصل کی جا سکے۔

الیکٹران بنیادی اہمیت کے ابتدائی ذرات ہیں۔ ان کا ایک دوسرے کے ساتھ اور جوہری مرکزے کے ساتھ کوانٹم مکینیکل تعاملات کیمسٹری اور مادّی سائنس میں مشاہدہ کیے گئے مظاہر کی ایک بھیڑ کو جنم دیتے ہیں۔ مادے کے الیکٹرانک ڈھانچے کو سمجھنا اور کنٹرول کرنا مالیکیولز کی رد عمل، سیاروں کے اندر ساخت اور توانائی کی نقل و حمل اور مادی خرابی کے طریقہ کار کے بارے میں بصیرت فراہم کرتا ہے۔

اعلی کارکردگی والے کمپیوٹنگ کی صلاحیتوں کا فائدہ اٹھاتے ہوئے، کمپیوٹیشنل ماڈلنگ اور سمولیشن کے ذریعے سائنسی چیلنجز کو تیزی سے حل کیا جا رہا ہے۔ تاہم، کوانٹم درستگی کے ساتھ حقیقت پسندانہ نقالی حاصل کرنے میں ایک اہم رکاوٹ پیشین گوئی کرنے والی ماڈلنگ تکنیک کا فقدان ہے جو مختلف لمبائی اور وقت کے پیمانوں میں اسکیل ایبلٹی کے ساتھ اعلیٰ درستگی کو یکجا کرتی ہے۔ کلاسیکی جوہری تخروپن کے طریقے بڑے اور پیچیدہ نظاموں کو سنبھال سکتے ہیں، لیکن ان کے کوانٹم الیکٹرانک ڈھانچے کو چھوڑنا ان کے قابل اطلاق کو محدود کرتا ہے۔ اس کے برعکس، نقلی طریقے جو تجرباتی ماڈلنگ اور پیرامیٹر فٹنگ (پہلے اصولوں کے طریقے) جیسے مفروضوں پر بھروسہ نہیں کرتے ہیں وہ اعلی مخلصی فراہم کرتے ہیں لیکن حسابی طور پر مطالبہ کرتے ہیں۔ مثال کے طور پر، کثافت فنکشنل تھیوری (DFT)، ایک وسیع پیمانے پر استعمال ہونے والا پہلا اصول طریقہ، نظام کے سائز کے ساتھ کیوبک اسکیلنگ کو ظاہر کرتا ہے، اس طرح اس کی پیشین گوئی کی صلاحیتوں کو چھوٹے پیمانے تک محدود کر دیا جاتا ہے۔

گہری سیکھنے پر مبنی ہائبرڈ نقطہ نظر

محققین کی ٹیم نے اب ایک نیا نقلی طریقہ پیش کیا جسے میٹریلز لرننگ الگورتھم (MALA) سافٹ ویئر اسٹیک کہا جاتا ہے۔ کمپیوٹر سائنس میں، ایک سافٹ ویئر اسٹیک الگورتھم اور سافٹ ویئر کے اجزاء کا مجموعہ ہے جو کسی خاص مسئلے کو حل کرنے کے لیے ایک سافٹ ویئر ایپلی کیشن بنانے کے لیے مل کر کیا جاتا ہے۔ لینز فیڈلر، پی ایچ ڈی CASUS میں MALA کے طالب علم اور کلیدی ڈویلپر، وضاحت کرتے ہیں، “MALA مشین لرننگ کو طبیعیات پر مبنی نقطہ نظر کے ساتھ مربوط کرتا ہے تاکہ مواد کے الیکٹرانک ڈھانچے کی پیشن گوئی کی جا سکے۔ یہ ایک ہائبرڈ نقطہ نظر کو استعمال کرتا ہے، مقامی مقداروں کی درست پیش گوئی کرنے کے لیے ڈیپ لرننگ نامی ایک قائم شدہ مشین لرننگ طریقہ استعمال کرتا ہے، دلچسپی کی عالمی مقداروں کو کمپیوٹنگ کے لیے طبیعیات کے الگورتھم سے مکمل کیا گیا ہے۔”

MALA سافٹ ویئر اسٹیک خلا میں ایٹموں کی ترتیب کو ان پٹ کے طور پر لیتا ہے اور انگلیوں کے نشانات تیار کرتا ہے جسے بائپیکٹرم اجزاء کے نام سے جانا جاتا ہے، جو کارٹیشین گرڈ پوائنٹ کے ارد گرد ایٹموں کے مقامی انتظام کو انکوڈ کرتے ہیں۔ MALA میں مشین لرننگ ماڈل کو اس جوہری پڑوس کی بنیاد پر الیکٹرانک ڈھانچے کی پیش گوئی کرنے کی تربیت دی جاتی ہے۔ MALA کا ایک اہم فائدہ اس کے مشین لرننگ ماڈل کی سسٹم کے سائز سے آزاد ہونے کی صلاحیت ہے، جس سے اسے چھوٹے سسٹمز کے ڈیٹا پر تربیت دی جا سکتی ہے اور کسی بھی پیمانے پر تعینات کیا جا سکتا ہے۔

ان کی اشاعت میں، محققین کی ٹیم نے اس حکمت عملی کی قابل ذکر تاثیر کو ظاہر کیا۔ انہوں نے روایتی الگورتھم کے مقابلے میں چند ہزار ایٹموں پر مشتمل چھوٹے نظام کے سائز کے لیے 1,000 گنا سے زیادہ کی رفتار حاصل کی۔ مزید برآں، ٹیم نے 100,000 سے زیادہ ایٹموں پر مشتمل بڑے پیمانے پر الیکٹرانک ڈھانچے کے حساب کتاب کو درست طریقے سے انجام دینے کے لیے MALA کی صلاحیت کا مظاہرہ کیا۔ خاص طور پر، یہ کامیابی معمولی کمپیوٹیشنل کوشش کے ساتھ حاصل کی گئی تھی، جو روایتی DFT کوڈز کی حدود کو ظاہر کرتی ہے۔

Attila Cangi، CASUS میں انتہائی حالات کے تحت مادے کی قائم مقام سربراہ، وضاحت کرتی ہیں: “جیسے جیسے سسٹم کا سائز بڑھتا ہے اور زیادہ ایٹم شامل ہوتے ہیں، DFT حسابات ناقابل عمل ہو جاتے ہیں، جبکہ MALA کی رفتار کا فائدہ مسلسل بڑھتا رہتا ہے۔ MALA کی اہم پیش رفت اس میں مضمر ہے۔ مقامی جوہری ماحول پر کام کرنے کی صلاحیت، درست عددی پیشین گوئیوں کو قابل بناتا ہے جو سسٹم کے سائز سے کم سے کم متاثر ہوتے ہیں۔

لاگو تحقیق کو فروغ دینے کی توقع ہے۔

کینگی کا مقصد مشین لرننگ سے فائدہ اٹھاتے ہوئے الیکٹرانک ڈھانچے کے حساب کتاب کی حدود کو آگے بڑھانا ہے: “ہم توقع کرتے ہیں کہ MALA الیکٹرانک ڈھانچے کے حساب کتاب میں ایک تبدیلی کو جنم دے گا، جیسا کہ اب ہمارے پاس غیر معمولی رفتار سے نمایاں طور پر بڑے نظاموں کی نقل کرنے کا طریقہ ہے۔ مستقبل میں، محققین نمایاں طور پر بہتر بیس لائن کی بنیاد پر سماجی چیلنجوں کی ایک وسیع رینج سے نمٹنے کے قابل ہو جائے گا، بشمول توانائی کے ذخیرہ کرنے کے لیے نئی ویکسینز اور نئے مواد تیار کرنا، سیمی کنڈکٹر ڈیوائسز کے بڑے پیمانے پر نقلی کام کرنا، مادی نقائص کا مطالعہ کرنا، اور ماحول کو تبدیل کرنے کے لیے کیمیائی رد عمل کی تلاش۔ گرین ہاؤس گیس کاربن ڈائی آکسائیڈ کو آب و ہوا کے موافق معدنیات میں تبدیل کرنا۔”

مزید برآں، MALA کا نقطہ نظر خاص طور پر ہائی پرفارمنس کمپیوٹنگ (HPC) کے لیے موزوں ہے۔ جیسے جیسے سسٹم کا سائز بڑھتا ہے، MALA اس کمپیوٹیشنل گرڈ پر آزادانہ پروسیسنگ کو قابل بناتا ہے جسے وہ استعمال کرتا ہے، مؤثر طریقے سے HPC وسائل، خاص طور پر گرافیکل پروسیسنگ یونٹس کا فائدہ اٹھاتا ہے۔ سیوا راجمانیکم، ایک عملے کے سائنسدان اور سانڈیا نیشنل لیبارٹریز میں متوازی کمپیوٹنگ کے ماہر، بتاتے ہیں، “ایم اے ایل اے کا الگورتھم برائے الیکٹرانک ڈھانچے کے حساب کتاب جدید HPC نظاموں کے ساتھ تقسیم شدہ ایکسلریٹر کے ساتھ نقشہ بناتا ہے۔ کام کو گلنے اور مختلف گرڈ پوائنٹس کے متوازی طور پر انجام دینے کی صلاحیت۔ ایکسلریٹر MALA کو HPC وسائل پر قابل توسیع مشین لرننگ کے لیے ایک مثالی میچ بناتے ہیں، جس کی وجہ سے الیکٹرانک ڈھانچے کے حساب کتاب میں بے مثال رفتار اور کارکردگی ہوتی ہے۔”

ترقی پذیر شراکت داروں HZDR اور Sandia National Laboratories کے علاوہ، MALA پہلے سے ہی جارجیا انسٹی ٹیوٹ آف ٹیکنالوجی، نارتھ کیرولینا A&T اسٹیٹ یونیورسٹی، Sambanova Systems Inc.، اور Nvidia Corp جیسے اداروں اور کمپنیوں کے ذریعے ملازم ہے۔



>Source link>

>>Join our Facebook Group be part of community. <<

By hassani

Leave a Reply

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