AI · · 5 min read
AI को पेरोव्स्काइट सौर-सेल अनुसंधान के पूरे चक्र को जोड़ना होगा
Nature के एक विश्लेषण के अनुसार, AI पेरोव्स्काइट फोटोवोल्टिक तकनीक में स्थानीय प्रगति को तेज कर रहा है, लेकिन सामग्रियों, प्रक्रियाओं और उपकरण डिज़ाइनों के बीच ज्ञान का हस्तांतरण करने में अब भी कठिनाई होती है।
कृत्रिम बुद्धिमत्ता शोधकर्ताओं को पेरोव्स्काइट सौर सेल बेहतर बनाने में मदद कर रही है, लेकिन इसके लाभ अब भी मुख्यतः उन्हीं विशिष्ट प्रणालियों तक सीमित हैं जिन पर मॉडल प्रशिक्षित किए जाते हैं। nature.com द्वारा प्रकाशित Nature Reviews Electrical Engineering के एक विश्लेषण के अनुसार, व्यापक प्रगति इस बात पर निर्भर करेगी कि AI उपकरणों को अलग-अलग पूर्वानुमान या अनुकूलन कार्यों तक सीमित रखने के बजाय पूरे अनुसंधान चक्र में जोड़ा जाए।
सौर प्रौद्योगिकी के लिए हैलाइड पेरोव्स्काइट आकर्षक हैं, क्योंकि उनकी प्रकाशीय और इलेक्ट्रॉनिक विशेषताओं को समायोजित किया जा सकता है, जबकि उनके निर्माण की लागत कम हो सकती है। फिर भी, इन लाभों को औद्योगिक उपयोग में बदलना कठिन है। किसी सेल का व्यवहार कई परस्पर जुड़ी पसंदों पर निर्भर करता है: सामग्री की संरचना यह प्रभावित करती है कि प्रसंस्करण कैसे होगा, प्रसंस्करण से बनने वाली सूक्ष्मसंरचना तय होती है, और सूक्ष्मसंरचना उपकरण के प्रदर्शन को प्रभावित करती है।
इन कारकों के परस्पर प्रभाव के कारण, किसी एक सामग्री प्रणाली या विनिर्माण व्यवस्था में मिला समाधान उस समय काम नहीं कर सकता जब संरचना, निर्माण स्थितियां या उपकरण वास्तुकला बदल जाए। इसलिए चुनौती केवल किसी एक पैरामीटर का सर्वोत्तम मान ढूंढना नहीं है। चुनौती उन निर्भरताओं की शृंखला को समझना और नियंत्रित करना है, जो प्रौद्योगिकी के अलग-अलग चरणों और पैमानों में काम करती है।
AI पहले से कहां मदद कर रहा है
अब AI का इस्तेमाल पेरोव्स्काइट सौर-सेल अनुसंधान के चार व्यापक क्षेत्रों में किया जा रहा है: सामग्रियों की खोज, उपकरणों की इंजीनियरिंग, विनिर्माण प्रक्रियाओं को परिष्कृत करना और स्थिरता का अध्ययन। जहां पर्याप्त डेटा उपलब्ध है, वहां मॉडल संबंधों की पहचान कर सकते हैं और अनुकूलन को तेज कर सकते हैं। इससे किसी निर्धारित अनुसंधान समस्या के भीतर संभावित विकल्पों की खोज में लगने वाला प्रयास कम हो सकता है।
हालांकि, ये लाभ समान नहीं हैं। सामग्रियों और प्रक्रियाओं के किसी एक संयोजन के लिए अच्छा प्रदर्शन करने वाला मॉडल दूसरे संयोजन के लिए उतना उपयोगी नहीं हो सकता। न ही मजबूत पूर्वानुमान से यह जरूरी तौर पर पता चलता है कि देखे गए परिणाम के लिए जिम्मेदार तंत्र क्या है। विश्लेषण के अनुसार, मौजूदा प्रणालियां अलग-अलग संरचनाओं, वास्तुकलाओं या परिचालन स्थितियों में उपयोगी बने रहने वाली अंतर्दृष्टि पैदा करने की तुलना में परिचित और पर्याप्त डेटा वाले हालातों के भीतर सहसंबंध खोजने में अधिक सक्षम हैं।
यह अंतर महत्वपूर्ण है, क्योंकि पेरोव्स्काइट सौर सेल स्वतंत्र चर से संचालित नहीं होते। संरचना में किया गया बदलाव प्रसंस्करण को प्रभावित कर सकता है; प्रसंस्करण में बदलाव सामग्री की संरचना को बदल सकता है; और संरचना में आया बदलाव प्रदर्शन तथा विश्वसनीयता को प्रभावित कर सकता है। यदि AI हर चरण को अलग कार्य की तरह देखता है, तो वह ऐसी जानकारी खोने का जोखिम उठाता है जो यह तय कर सकती है कि कोई सुधार मूल प्रयोग से आगे भी लागू होगा या नहीं।
व्यापक प्रभाव के सामने चार बाधाएं
विश्लेषण में चार बार-बार सामने आने वाली संरचनात्मक समस्याओं की पहचान की गई है। पहली, प्रासंगिक जानकारी बिखरी हुई है और डेटासेट आसानी से परस्पर उपयोग योग्य नहीं हैं। इसलिए अनुसंधान प्रक्रिया के अलग-अलग हिस्सों में पैदा हुए परिणामों को एक साथ जोड़ना कठिन हो सकता है, जिससे मॉडल की उनसे मिलकर सीखने की क्षमता सीमित हो जाती है।
दूसरी, मॉडल अक्सर अलग-अलग प्रणालियों के बीच खराब ढंग से सामान्यीकृत होते हैं। संरचनाओं, विनिर्माण परिवेशों या उपकरण डिज़ाइनों के एक समूह से सीखे गए पैटर्न अपने-आप दूसरे समूह पर लागू नहीं होते। इससे प्रशिक्षण डेटा में शामिल स्थितियों के बाहर AI का मूल्य सीमित हो जाता है।
तीसरी, कई मॉडल सीमित व्याख्येयता और कमजोर भौतिक आधार प्रस्तुत करते हैं। कोई पूर्वानुमान यह बताए बिना भी उपयोगी हो सकता है कि वह क्यों दिया गया, लेकिन अंतर्निहित व्यवहार से स्पष्ट संबंध न होने पर यह आकलन करना कठिन हो जाता है कि परिणाम नई परिस्थिति में लागू होना चाहिए या नहीं। इससे तंत्र-आधारित ज्ञान निकालने की क्षमता भी सीमित होती है, जो भविष्य के काम का मार्गदर्शन कर सकता है।
चौथी समस्या यह है कि AI से जिस चीज़ का अनुकूलन करने को कहा जाता है और व्यावहारिक डिज़ाइन को आकार देने वाली बाधाओं के बीच असंगति है। कोई मॉडल चुने गए लक्ष्य में सुधार कर सकता है, लेकिन काम करने वाली सौर-सेल प्रौद्योगिकी की व्यापक आवश्यकताओं को ध्यान में रखने में विफल हो सकता है। लेख इन कठिनाइयों को अनुसंधान संरचना की परस्पर जुड़ी विशेषताओं के रूप में प्रस्तुत करता है, न कि इस प्रमाण के रूप में कि केवल बेहतर एल्गोरिदम ही समस्या हल कर देंगे।
अलग-अलग मॉडलों से एकीकृत पाइपलाइन की ओर
प्रस्तावित उपाय ऐसी अनुसंधान अवसंरचना तैयार करना है जो पूरे क्षेत्र में जानकारी और प्रतिक्रियाओं को जोड़े। बहु-माध्यमी और बहु-स्तरीय डेटासेट अलग-अलग चरणों में पैदा होने वाले प्रमाणों के प्रकारों को एक साथ ला सकते हैं। भौतिकी-आधारित और व्याख्येय मॉडल पूर्वानुमानों को उस व्यवहार से अधिक निकटता से जोड़ सकते हैं, जिसे वे दर्शाने के लिए बनाए गए हैं, और साथ ही उनके तर्क का आकलन करना भी आसान बना सकते हैं।
विश्लेषण ऐसे बंद-चक्र वाली प्रणालियों की ओर भी संकेत करता है, जिनमें AI के पूर्वानुमानों को प्रायोगिक प्रतिक्रियाओं से जोड़ा जाता है। ऐसी पाइपलाइन में प्रयोगों के परिणाम केवल मॉडल की अंतिम जांच नहीं करेंगे; वे प्रणाली को अद्यतन करने और आगे के विकल्पों के बारे में जानकारी देने में भी मदद कर सकते हैं। इससे ज्ञान को एक ही अनुकूलन अभ्यास तक सीमित रहने देने के बजाय आगे ले जाया जा सकेगा।
इसका उद्देश्य कार्य-विशिष्ट पूर्वानुमान से प्रणाली-स्तरीय AI की ओर बढ़ना है। इस दृष्टिकोण में सामग्री खोज, उपकरण इंजीनियरिंग, प्रसंस्करण और स्थिरता विश्लेषण से मिली जानकारी को लगातार आगे पहुंचाया, संशोधित और दोबारा इस्तेमाल किया जाएगा। AI सामग्रियों की खोज, उपकरणों में सुधार और विश्वसनीयता के आकलन के लिए एकीकृत कार्यक्रम का हिस्सा बन जाएगा।
पेरोव्स्काइट फोटोवोल्टिक तकनीक के लिए इसका महत्व हस्तांतरणीयता में है। किसी एक संकीर्ण क्षेत्र में तेज अनुकूलन उपयोगी है, लेकिन औद्योगिक प्रगति के लिए ऐसे तरीकों की जरूरत है जो संरचनाओं, विनिर्माण स्थितियों और उपकरण वास्तुकलाओं से जुड़े निर्णयों को संभाल सकें। Nature के विश्लेषण का तर्क है कि AI की यह व्यापक भूमिका पूरे अनुसंधान चक्र में ज्ञान को सुरक्षित रखने पर निर्भर करेगी, न कि केवल अलग-अलग मॉडलों को अधिक सटीक बनाने पर।