AI · · 4 min read
পেরোভস্কাইট সৌরকোষ গবেষণার পুরো চক্রকে যুক্ত করতে হবে AI-কে
Nature-এর এক বিশ্লেষণ বলছে, AI পেরোভস্কাইট ফোটোভোলটাইকে স্থানীয় অগ্রগতির গতি বাড়ালেও উপাদান, প্রক্রিয়া ও ডিভাইসের নকশার মধ্যে জ্ঞান স্থানান্তরে এখনও হিমশিম খায়।
কৃত্রিম বুদ্ধিমত্তা গবেষকদের পেরোভস্কাইট সৌরকোষ উন্নত করতে সাহায্য করছে, কিন্তু এর সুফল এখনও মূলত সেই নির্দিষ্ট ব্যবস্থাগুলোর মধ্যেই সীমাবদ্ধ, যেগুলোর ওপর মডেলগুলোকে প্রশিক্ষণ দেওয়া হয়। nature.com-এ প্রকাশিত Nature Reviews Electrical Engineering-এর এক বিশ্লেষণে বলা হয়েছে, বিচ্ছিন্ন ভবিষ্যদ্বাণী বা অপ্টিমাইজেশন কাজে নির্ভর না করে পুরো গবেষণা চক্রজুড়ে AI সরঞ্জামগুলোকে যুক্ত করলেই বৃহত্তর অগ্রগতি সম্ভব হবে।
সৌর প্রযুক্তির জন্য হ্যালাইড পেরোভস্কাইট আকর্ষণীয়, কারণ এর আলোকীয় ও ইলেকট্রনিক বৈশিষ্ট্য পরিবর্তন করা যায় এবং এগুলোর উৎপাদন ব্যয়ও কম হতে পারে। তবে এই সুবিধাগুলোকে শিল্প পর্যায়ে কাজে লাগানো কঠিন। একটি কোষের আচরণ পরস্পর-সংযুক্ত একাধিক সিদ্ধান্তের ওপর নির্ভর করে: উপাদানের গঠন প্রক্রিয়াকরণ কীভাবে হবে তা প্রভাবিত করে, প্রক্রিয়াকরণ চূড়ান্ত ক্ষুদ্রগঠন তৈরি করে, আর সেই ক্ষুদ্রগঠন ডিভাইসের কর্মক্ষমতাকে প্রভাবিত করে।
এই কারণগুলোর পারস্পরিক ক্রিয়ার ফলে একটি উপাদান ব্যবস্থা বা উৎপাদন পরিস্থিতিতে পাওয়া সমাধান গঠন, তৈরির শর্ত বা ডিভাইসের স্থাপত্য বদলে গেলে আর কাজ নাও করতে পারে। তাই চ্যালেঞ্জটি কেবল একটি প্যারামিটারের সর্বোত্তম মান খুঁজে বের করা নয়। বরং প্রযুক্তিটির বিভিন্ন পর্যায় ও মাপজুড়ে কার্যকর পারস্পরিক-নির্ভরতার একটি শৃঙ্খলকে বোঝা ও নিয়ন্ত্রণ করাই মূল বিষয়।
যেখানে AI ইতিমধ্যে সাহায্য করছে
পেরোভস্কাইট সৌরকোষ গবেষণার চারটি বড় ক্ষেত্রে এখন AI ব্যবহার করা হচ্ছে: উপাদান আবিষ্কার, ডিভাইস প্রকৌশল, উৎপাদন প্রক্রিয়ার উন্নয়ন এবং স্থায়িত্ব নিয়ে গবেষণা। পর্যাপ্ত তথ্য পাওয়া যায় এমন ক্ষেত্রে মডেলগুলো বিভিন্ন সম্পর্ক শনাক্ত করতে এবং অপ্টিমাইজেশন দ্রুত করতে পারে। এর ফলে নির্দিষ্ট কোনো গবেষণা সমস্যার মধ্যে সম্ভাব্য বিকল্পগুলো খুঁজে দেখার জন্য প্রয়োজনীয় প্রচেষ্টা কমতে পারে।
তবে এই সুফল সর্বত্র সমান নয়। উপাদান ও প্রক্রিয়ার একটি নির্দিষ্ট সমন্বয়ের ক্ষেত্রে ভালো কাজ করা কোনো মডেল অন্য সমন্বয়ের ক্ষেত্রে একই মূল্য নাও দিতে পারে। আবার শক্তিশালী কোনো ভবিষ্যদ্বাণীও পর্যবেক্ষিত ফলাফলের জন্য দায়ী প্রক্রিয়াটি অবশ্যই প্রকাশ করে না। বিশ্লেষণ অনুযায়ী, বর্তমান ব্যবস্থাগুলো বিভিন্ন গঠন, স্থাপত্য বা কার্যপরিস্থিতিজুড়ে কার্যকর থাকে এমন অন্তর্দৃষ্টি তৈরির চেয়ে পরিচিত ও তথ্যসমৃদ্ধ পরিস্থিতির ভেতরের পারস্পরিক সম্পর্ক খুঁজে বের করতেই বেশি দক্ষ।
এই ঘাটতি গুরুত্বপূর্ণ, কারণ পেরোভস্কাইট সৌরকোষ স্বাধীন ভেরিয়েবল দ্বারা নিয়ন্ত্রিত হয় না। গঠনে করা কোনো পরিবর্তন প্রক্রিয়াকরণকে প্রভাবিত করতে পারে; প্রক্রিয়াকরণের পরিবর্তন উপাদানের কাঠামো বদলে দিতে পারে; আর কাঠামোগত পরিবর্তন কর্মক্ষমতা ও নির্ভরযোগ্যতাকে প্রভাবিত করতে পারে। AI যদি প্রতিটি পর্যায়কে আলাদা কাজ হিসেবে বিবেচনা করে, তবে এমন তথ্য হারিয়ে যাওয়ার ঝুঁকি থাকে, যা মূল পরীক্ষার বাইরেও কোনো উন্নতি কার্যকর হবে কি না তা নির্ধারণ করতে পারে।
বৃহত্তর প্রভাবের পথে চারটি বাধা
বিশ্লেষণটি চারটি পুনরাবৃত্ত কাঠামোগত সমস্যা চিহ্নিত করেছে। প্রথমত, প্রাসঙ্গিক তথ্য খণ্ডিত এবং ডেটাসেটগুলো সহজে পরস্পরের সঙ্গে ব্যবহারযোগ্য নয়। ফলে গবেষণা প্রক্রিয়ার বিভিন্ন অংশে তৈরি ফলাফল একত্র করা কঠিন হতে পারে, যা একসঙ্গে সেগুলো থেকে কোনো মডেলের শেখার ক্ষমতা সীমিত করে।
দ্বিতীয়ত, বিভিন্ন ব্যবস্থার মধ্যে মডেলগুলোর সাধারণীকরণ ক্ষমতা প্রায়ই দুর্বল। একটি নির্দিষ্ট গঠন, উৎপাদন পরিবেশ বা ডিভাইস নকশা থেকে শেখা ধরন অন্যটির ক্ষেত্রে স্বয়ংক্রিয়ভাবে প্রযোজ্য হয় না। প্রশিক্ষণ-তথ্যে প্রতিফলিত পরিস্থিতির বাইরে AI-এর মূল্য এতে সীমিত হয়ে পড়ে।
তৃতীয়ত, অনেক মডেলের ব্যাখ্যাযোগ্যতা সীমিত এবং ভৌত ভিত্তি দুর্বল। কোনো ভবিষ্যদ্বাণী কেন করা হয়েছে তা না বুঝিয়েও তা কার্যকর হতে পারে, কিন্তু অন্তর্নিহিত আচরণের সঙ্গে স্পষ্ট সংযোগ না থাকলে নতুন পরিস্থিতিতে ফলটি প্রযোজ্য হওয়া উচিত কি না তা বিচার করা কঠিন হয়। ভবিষ্যৎ কাজকে দিকনির্দেশ দিতে পারে এমন প্রক্রিয়াভিত্তিক জ্ঞান আহরণের ক্ষেত্রেও এটি সীমাবদ্ধতা তৈরি করে।
চতুর্থ সমস্যা হলো AI-কে যে বিষয় অপ্টিমাইজ করতে বলা হয় এবং বাস্তব নকশাকে যে সীমাবদ্ধতাগুলো প্রভাবিত করে, তাদের মধ্যে অমিল। কোনো মডেল নির্বাচিত একটি লক্ষ্য উন্নত করতে পারে, কিন্তু কার্যকর সৌরকোষ প্রযুক্তির বৃহত্তর প্রয়োজনীয়তাগুলো বিবেচনায় নিতে ব্যর্থ হতে পারে। নিবন্ধটি এসব সমস্যাকে গবেষণার কাঠামোর পরস্পর-সংযুক্ত বৈশিষ্ট্য হিসেবে উপস্থাপন করেছে—শুধু আরও ভালো অ্যালগরিদমই সমস্যার সমাধান করবে, এমন প্রমাণ হিসেবে নয়।
পৃথক মডেল থেকে সমন্বিত পাইপলাইনে
প্রস্তাবিত প্রতিক্রিয়া হলো এমন গবেষণা অবকাঠামো তৈরি করা, যা পুরো ক্ষেত্রজুড়ে তথ্য ও প্রতিক্রিয়াকে যুক্ত করবে। মাল্টিমোডাল ও মাল্টিলেভেল ডেটাসেট বিভিন্ন পর্যায়ে তৈরি হওয়া প্রমাণের ধরনগুলোকে একত্র করতে পারে। পদার্থবিদ্যাভিত্তিক ও ব্যাখ্যাযোগ্য মডেল ভবিষ্যদ্বাণীকে যে আচরণ উপস্থাপনের জন্য তৈরি করা হয়েছে, তার সঙ্গে আরও ঘনিষ্ঠভাবে যুক্ত করতে পারে এবং একই সঙ্গে তাদের যুক্তি মূল্যায়নও সহজ করতে পারে।
বিশ্লেষণটি এমন ক্লোজড-লুপ ব্যবস্থার কথাও বলেছে, যেখানে AI-এর ভবিষ্যদ্বাণী পরীক্ষামূলক প্রতিক্রিয়ার সঙ্গে যুক্ত থাকবে। এমন পাইপলাইনে পরীক্ষার ফলাফল শুধু কোনো মডেলের চূড়ান্ত পরীক্ষা হিসেবে কাজ করবে না; বরং সিস্টেমটিকে হালনাগাদ করতে এবং পরবর্তী সিদ্ধান্তে তথ্য জোগাতেও সাহায্য করবে। এতে জ্ঞানকে একটি একক অপ্টিমাইজেশন অনুশীলনের মধ্যে আটকে না রেখে পরবর্তী ধাপে বহন করে নেওয়া সম্ভব হবে।
লক্ষ্য হলো কাজ-নির্দিষ্ট ভবিষ্যদ্বাণী থেকে সিস্টেম-স্তরের AI-এর দিকে সরে যাওয়া। এই পদ্ধতিতে উপাদান আবিষ্কার, ডিভাইস প্রকৌশল, প্রক্রিয়াকরণ ও স্থায়িত্ব বিশ্লেষণ থেকে পাওয়া তথ্য ধারাবাহিকভাবে ছড়িয়ে দেওয়া, সংশোধন করা ও পুনর্ব্যবহার করা হবে। উপাদান আবিষ্কার, ডিভাইস উন্নয়ন ও নির্ভরযোগ্যতা মূল্যায়নের একটি সমন্বিত কর্মসূচির অংশ হয়ে উঠবে AI।
পেরোভস্কাইট ফোটোভোলটাইকের ক্ষেত্রে এর গুরুত্ব নিহিত স্থানান্তরযোগ্যতায়। একটি সংকীর্ণ পরিসরের মধ্যে দ্রুত অপ্টিমাইজেশন কার্যকর, কিন্তু শিল্পক্ষেত্রের অগ্রগতির জন্য এমন পদ্ধতি দরকার, যা বিভিন্ন গঠন, উৎপাদন পরিস্থিতি ও ডিভাইসের স্থাপত্যজুড়ে পরস্পর-সংযুক্ত সিদ্ধান্ত সামলাতে পারে। Nature-এর বিশ্লেষণ বলছে, AI-এর এই বৃহত্তর ভূমিকা নির্ভর করবে পুরো গবেষণা চক্রজুড়ে জ্ঞান সংরক্ষণের ওপর—শুধু পৃথক মডেলকে আরও নির্ভুল করার ওপর নয়।