AI · · 5 min read
اے آئی کو پیرووسکائٹ شمسی خلیوں کے پورے تحقیقی چکر کو مربوط کرنا ہوگا
نیچر کے ایک تجزیے کے مطابق اے آئی پیرووسکائٹ فوٹو وولٹائکس میں مقامی پیش رفت تیز کر رہی ہے، لیکن اسے مواد، طریقۂ کار اور آلات کے ڈیزائن کے درمیان علم منتقل کرنے میں مشکلات کا سامنا ہے۔
مصنوعی ذہانت محققین کو پیرووسکائٹ شمسی خلیوں میں بہتری لانے میں مدد دے رہی ہے، لیکن اس کے فوائد بڑی حد تک انہی مخصوص نظاموں تک محدود ہیں جن پر ماڈلز کو تربیت دی جاتی ہے۔ nature.com پر شائع ہونے والے Nature Reviews Electrical Engineering کے ایک تجزیے کے مطابق وسیع تر پیش رفت کا انحصار اس بات پر ہوگا کہ اے آئی کے آلات کو الگ تھلگ پیش گوئی یا اصلاحی کاموں پر انحصار کرنے کے بجائے پورے تحقیقی چکر میں باہم مربوط کیا جائے۔
ہیلائیڈ پیرووسکائٹس شمسی ٹیکنالوجی کے لیے پرکشش ہیں کیونکہ ان کی بصری اور برقی خصوصیات کو تبدیل کیا جا سکتا ہے، جبکہ ان کی تیاری کی لاگت کم ہو سکتی ہے۔ تاہم، ان فوائد کو صنعتی سطح پر استعمال میں تبدیل کرنا مشکل ہے۔ کسی خلیے کا رویہ کئی باہم مربوط انتخابوں پر منحصر ہوتا ہے: مواد کی ترکیب اس بات پر اثر انداز ہوتی ہے کہ پروسیسنگ کیسے آگے بڑھے گی، پروسیسنگ نتیجے میں بننے والی خردبینی ساخت کو تشکیل دیتی ہے، اور یہ خردبینی ساخت آلے کی کارکردگی کو متاثر کرتی ہے۔
چونکہ یہ عوامل ایک دوسرے سے متعامل ہوتے ہیں، اس لیے ایک مادی نظام یا پیداواری ماحول میں دریافت کیا گیا حل اس وقت کارآمد نہ بھی ہو جب ترکیب، تیاری کے حالات یا آلے کا ڈیزائن تبدیل ہو جائے۔ چیلنج محض کسی ایک پیرامیٹر کے لیے بہترین قدر تلاش کرنا نہیں ہے۔ اصل ضرورت ان انحصارات کے سلسلے کو سمجھنے اور منظم کرنے کی ہے جو ٹیکنالوجی کے مختلف مراحل اور پیمانوں میں کام کرتا ہے۔
جہاں اے آئی پہلے ہی مدد کر رہی ہے
اے آئی اب پیرووسکائٹ شمسی خلیوں کی تحقیق کے چار وسیع شعبوں میں استعمال ہو رہی ہے: مواد کی دریافت، آلات کی انجینئرنگ، پیداواری عمل کو بہتر بنانا اور پائیداری کا مطالعہ۔ جہاں کافی ڈیٹا دستیاب ہو، وہاں ماڈلز تعلقات کی نشان دہی کر سکتے ہیں اور اصلاحی عمل کو تیز بنا سکتے ہیں۔ اس سے کسی متعین تحقیقی مسئلے کے اندر ممکنہ انتخابوں کی تلاش کے لیے درکار کوشش کم ہو سکتی ہے۔
تاہم، یہ فوائد یکساں نہیں ہیں۔ مواد اور طریقۂ کار کے ایک امتزاج کے لیے اچھی کارکردگی دکھانے والا ماڈل دوسرے امتزاج کے لیے اتنا ہی مفید ثابت نہیں ہو سکتا۔ اسی طرح، مضبوط پیش گوئی لازماً اس میکانزم کو ظاہر نہیں کرتی جو مشاہدہ کیے گئے نتیجے کا ذمہ دار ہو۔ تجزیے کے مطابق موجودہ نظام ان مانوس اور ڈیٹا سے بھرپور حالات میں باہمی تعلقات تلاش کرنے میں زیادہ بہتر ہیں جہاں وہ کام کر رہے ہوں، بجائے اس کے کہ ایسی بصیرتیں پیدا کریں جو مختلف ترکیبات، ڈیزائنوں یا عملی حالات میں بھی مفید رہیں۔
یہ خلا اس لیے اہم ہے کہ پیرووسکائٹ شمسی خلیے آزاد متغیرات کے تحت کام نہیں کرتے۔ ترکیب میں کی جانے والی تبدیلی پروسیسنگ کو متاثر کر سکتی ہے؛ پروسیسنگ میں تبدیلی مواد کی ساخت بدل سکتی ہے؛ اور ساخت میں آنے والی تبدیلی کارکردگی اور قابلِ اعتماد ہونے پر اثر ڈال سکتی ہے۔ جو اے آئی ہر مرحلے کو الگ کام سمجھتی ہے، وہ ایسی معلومات کھو دینے کا خطرہ رکھتی ہے جو یہ طے کر سکتی ہیں کہ بہتری اصل تجربے سے آگے بھی منتقل ہو سکے گی یا نہیں۔
وسیع تر اثرات کی راہ میں چار رکاوٹیں
تجزیے میں چار بار بار سامنے آنے والے ساختی مسائل کی نشان دہی کی گئی ہے۔ اول، متعلقہ معلومات بکھری ہوئی ہیں اور ڈیٹا سیٹس آسانی سے ایک دوسرے کے ساتھ قابلِ استعمال نہیں ہوتے۔ اس لیے تحقیقی عمل کے مختلف حصوں میں پیدا ہونے والے نتائج کو یکجا کرنا مشکل ہو سکتا ہے، جس سے یہ محدود ہو جاتا ہے کہ کوئی ماڈل ان سے مل کر کیا سیکھ سکتا ہے۔
دوم، ماڈلز اکثر مختلف نظاموں کے درمیان اچھی طرح عمومی اطلاق نہیں دکھاتے۔ ترکیبات، پیداواری ماحول یا آلات کے ڈیزائن کے ایک مجموعے سے سیکھے گئے نمونے خودبخود دوسرے مجموعے پر لاگو نہیں ہوتے۔ اس سے تربیتی ڈیٹا میں شامل حالات سے باہر اے آئی کی افادیت محدود ہو جاتی ہے۔
سوم، بہت سے ماڈلز قابلِ تشریح ہونے کے اعتبار سے محدود اور طبیعی بنیاد کے لحاظ سے کمزور ہوتے ہیں۔ کوئی پیش گوئی یہ بتائے بغیر بھی مفید ہو سکتی ہے کہ وہ کیوں کی گئی، لیکن بنیادی رویے سے واضح تعلق نہ ہونے کی وجہ سے یہ فیصلہ کرنا مشکل ہو جاتا ہے کہ نیا ماحول آنے پر نتیجہ لاگو ہونا چاہیے یا نہیں۔ اس کے علاوہ، میکانزم پر مبنی اس علم کے حصول کی صلاحیت بھی محدود ہو جاتی ہے جو آئندہ کام کی رہنمائی کر سکتا ہے۔
چوتھا مسئلہ اس بات میں عدم مطابقت ہے کہ اے آئی سے کس چیز کو بہتر بنانے کے لیے کہا جاتا ہے اور عملی ڈیزائن کو تشکیل دینے والی پابندیاں کیا ہیں۔ کوئی ماڈل کسی منتخب ہدف کو بہتر بنا سکتا ہے، لیکن کام کرنے والی شمسی خلیاتی ٹیکنالوجی کی وسیع تر ضروریات کو مدِنظر رکھنے میں ناکام رہ سکتا ہے۔ مضمون ان مشکلات کو تحقیقی ڈھانچے کی باہم مربوط خصوصیات کے طور پر پیش کرتا ہے، نہ کہ اس ثبوت کے طور پر کہ صرف بہتر الگورتھمز ہی مسئلہ حل کر دیں گے۔
الگ الگ ماڈلز سے مربوط پائپ لائن تک
مجوزہ جواب یہ ہے کہ ایسا تحقیقی بنیادی ڈھانچہ بنایا جائے جو پورے شعبے میں معلومات اور فیڈبیک کو باہم جوڑ دے۔ کثیر الوسائط اور کثیر سطحی ڈیٹا سیٹس مختلف مراحل میں پیدا ہونے والے شواہد کی مختلف شکلوں کو یکجا کر سکتے ہیں۔ طبیعیات سے باخبر اور قابلِ تشریح ماڈلز پیش گوئیوں کو ان رویوں سے زیادہ قریبی طور پر منسلک کر سکتے ہیں جن کی نمائندگی کرنا ان کا مقصد ہے، جبکہ ان کی استدلالی بنیاد کا جائزہ لینا بھی آسان بنا سکتے ہیں۔
تجزیہ ایسے بند-حلقہ نظاموں کی جانب بھی اشارہ کرتا ہے جن میں اے آئی کی پیش گوئیوں کو تجرباتی فیڈبیک سے جوڑا جائے۔ ایسی پائپ لائن میں تجربات کے نتائج محض ماڈل کا آخری امتحان فراہم نہیں کریں گے؛ وہ نظام کو اپ ڈیٹ کرنے اور بعد کے انتخابوں کی رہنمائی میں بھی مدد دے سکتے ہیں۔ اس انتظام سے علم کو آگے منتقل کیا جا سکے گا، بجائے اس کے کہ وہ کسی ایک اصلاحی مشق تک محدود رہ جائے۔
مطلوبہ تبدیلی کام کے مخصوص پیش گوئیاتی عمل سے نظام کی سطح کی اے آئی کی جانب منتقلی ہے۔ اس طریقۂ کار کے تحت مواد کی دریافت، آلات کی انجینئرنگ، پروسیسنگ اور پائیداری کے تجزیے سے حاصل ہونے والی معلومات مسلسل آگے منتقل، نظرثانی اور دوبارہ استعمال کی جائیں گی۔ اے آئی مواد دریافت کرنے، آلات کو بہتر بنانے اور قابلِ اعتماد ہونے کا جائزہ لینے کے ایک مربوط پروگرام کا حصہ بن جائے گی۔
پیرووسکائٹ فوٹو وولٹائکس کے لیے اس کی اہمیت معلومات کی منتقلی کی صلاحیت میں ہے۔ ایک محدود دائرے کے اندر تیز تر اصلاح مفید ہے، لیکن صنعتی پیش رفت کے لیے ایسے طریقۂ کار درکار ہیں جو ترکیبات، پیداواری حالات اور آلات کے ڈیزائن سے متعلق باہم مربوط فیصلوں سے نمٹ سکیں۔ نیچر کے تجزیے کے مطابق اے آئی کا یہ وسیع تر کردار اس بات پر منحصر ہوگا کہ پورے تحقیقی چکر کے دوران علم کو محفوظ رکھا جائے، نہ کہ صرف انفرادی ماڈلز کو زیادہ درست بنایا جائے۔