Microsoft او همکار څېړونکو یو AI ماډل جوړ کړی چې MatterGen نومېږي او دا ماډل په کرسټال جوړښتونو کې د ورک شویو هایډروجن اټومونو موقعیتونه بیا رګولوي [1].
دا وړتیا خورا مهمه ده ځکه چې په دودیزو کرسټال عکسونو کې د هایډروجن اټومونو موندل ډېر ځله ستونزمن وي. د دې اټومونو دقیق ځای ټاکل ساینس پوهانو ته اجازه ورکوي چې د بیټریو او د انرژۍ د ذخیره کولو سیسټمونو د پراختیا لپاره ګړندۍ او دقیقې سيمولېشن (simulations) ترسره کړي [2].
هایډروجن اټومونه تر ټولو کوچنۍ او سپکې عناصر دي، چې له همدې امله د X-ray diffraction ډېرو معیاري تخنیکونو لپاره تقریباً ناپیدا وي. کله چې دا اټومونه له جوړښتیزې نقشې څخه ورک وي، پایله ترلاسه کړې ډاټا نیمګړه وي، چې دا کېدای شي په دې وړاندې ګوته کولو کې تېروتنې پیدا کړي چې یو ماده په ځانګړو شرایطو کې څنګه چلند کوي.
د MatterGen ماډل د شاوخوا کرسټال لټیس (lattice) پر اساس د دې ورک شویو اټومونو د احتمالي موقعیتونو په وړاندوینه کولو سره دا خلا پوره کوي. څېړونکو وویل چې د AI دې میتود د ورک شویو اټومونو په تعقیب کې 97٪ بریالیتوب ترلاسه کړی [1].
د دې جوړښتیزو خلاګونو په پوره کولو سره، دا ماډل په لابراتوار کې د آزمایشي او تکراري تجربو اړتیا کموي. د کشف د دې پروسې acceleration هدف د داسې نویو موادو menciptونه ساده کول دي چې کېدای شي د بریښنا د شبکې وړتیا یا د بریښنايي موټرو د بیټریو ژوند او پاتې کېدو موده ښه کړي [2].
دا همکاري د generative AI او د موادو د ساینس (materials science) ترمنځ پر تړاو ټینګار کوي. د اټومونو ترتیب ته د یوې pattern-recognition مسئلې په توګه په کتل کېدو سره، ټیم ښودلي چې AI کولی شي هغه جوړښتیزې مبهماتې (ambiguities) حل کړي چې تاریخواله توګه یې کیمیاوي څېړنې خنډولې دي [1].
“د MatterGen AI ماډل په کرسټال جوړښتونو کې د ورک شویو هایډروجن اټومونو موقعیتونه بیا رګولوي”
د هایډروجن اټومونو د دقیق نقشه کولو وړتیا د موادو د ساینس څخه د مشاهده-محور څخه predictive (پرناډه) لور ته یو بدلون څرګندوي. د کرسټال لټیس (lattices) د اتوماتیک ډول بیا رغولې په لاره کولو سره، څېړونکي کولی شي د X-ray crystallography ځینې فزیکي محدودیتونه تېره کړي، چې احتمالا د راتلونکي نسل نیمیکندکتورونو (semiconductors) او د انرژۍ د لوړ ظرفیت ذخیره کونکو موادو د پراختیا دوره لنډه کړي.
