مصنوعی ذہانت کا استعمال کرتے ہوئے، طبیعیات دانوں کی ایک بین الاقوامی ٹیم نے یہ ظاہر کیا ہے کہ الیکٹرانوں کے تعامل کے پیچیدہ نظام کو ماڈل بنانے کے لیے درکار ہزاروں مساوات کو کم کر کے صرف چار کیا جا سکتا ہے۔ یہ مساوات کے نظام کے اندر پہلے چھپے ہوئے نمونوں کی شناخت کے لیے مشین لرننگ کے ذریعے کیا گیا تھا۔ اس تکنیک کا استعمال الیکٹرانک خصوصیات کا حساب لگانے کے لیے درکار کوششوں کو بڑے پیمانے پر کم کرنے کے لیے کیا جا سکتا ہے، اس ٹیم کا کہنا ہے، جس کی قیادت ڈومینیکو دی سانتے بولوگنا یونیورسٹی میں، جو نیو یارک سٹی کے فلیٹیرون انسٹی ٹیوٹ میں وزٹنگ ریسرچ فیلو بھی ہیں۔
الیکٹرانوں کے درمیان کوانٹم تعاملات مادے کی خصوصیات کے تحت ہیں، اور پچھلی صدی کے دوران طبیعیات دانوں نے انفرادی ایٹموں سے لے کر ٹھوس مواد تک کے نظاموں کے بارے میں ہماری سمجھ کو بڑھانے کے لیے ریاضیاتی اور کمپیوٹیشنل ٹولز تیار کیے ہیں۔ ان ماڈلز کو الجھاؤ پر غور کرنا چاہیے، ایک کوانٹم رجحان جو کلاسیکی طبیعیات میں موجود الیکٹرانوں کے درمیان مضبوط ارتباط کی اجازت دیتا ہے۔
یہ مطالعہ کرنے کے لیے ایک طاقتور ریاضیاتی ٹول ہے کہ مواد میں الیکٹران کے درمیان کوانٹم تعاملات کس طرح مادے کی میکروسکوپک خصوصیات کو متاثر کرتے ہیں، ری نارملائزیشن گروپ ہے۔ تاہم، یہ نقطہ نظر اب بھی جوڑے ہوئے تفریق مساوات کے بڑے نظاموں کو حل کرنے سے وابستہ بہت بڑے چیلنجوں کے ساتھ آتا ہے۔ درحقیقت، ہزاروں، یا یہاں تک کہ لاکھوں مساوات کی ضرورت ہو سکتی ہے۔
اس کی طرف لپکیں۔
اپنے مطالعے میں، دی سانتے کی ٹیم نے غور کیا کہ کس طرح مشین لرننگ کا استعمال کرتے ہوئے مساوات کے بڑے گروپوں کے اندر چھپے ہوئے نمونوں کو تلاش کرنے کے لیے ری نارملائزیشن گروپ کی پیچیدگی کو کم کیا جا سکتا ہے۔ اس خیال کو دریافت کرنے کے لیے، انہوں نے مثالی 2D Hubbard ماڈل پر غور کیا جس میں الیکٹران ایک ٹھوس مواد میں ملحقہ جالیوں کے درمیان "ہاپ" کرتے ہیں۔
اس ماڈل میں، الیکٹران کے نظام کو چلانے اور موصل کرنے کے درمیان ٹرانزیشن کو پیرامیٹرز کو ایڈجسٹ کرتے ہوئے نقل کیا جاتا ہے جو دو مسابقتی عمل کو بیان کرتے ہیں: ایک جو پڑوسی جالی سائٹس کے درمیان الیکٹران کی کوانٹم ٹنلنگ (ہاپنگ) کی حوصلہ افزائی کرتا ہے؛ اور دوسرا اس حقیقت کی عکاسی کرتا ہے کہ متعدد الیکٹران ایک ہی جالی کی جگہ پر قبضہ نہیں کرنا چاہتے ہیں۔
جیسا کہ الیکٹران ایک دوسرے کے ساتھ تعامل کرتے ہیں، وہ الجھ جاتے ہیں۔ یہ الجھن طویل فاصلے تک برقرار رہتی ہے اور نظام کو بیان کرنے والی جوڑے ہوئے تفریق مساوات میں اس کا حساب ہونا ضروری ہے – جس سے مساوات کو دوبارہ ترتیب دینے والے گروپ تکنیکوں کا استعمال کرتے ہوئے حل کرنا بہت مشکل ہو جاتا ہے۔
بے کاروں کی نشاندہی کرنا
اس ماڈل کے ری نارملائزیشن گروپ کو حل کرنے کے لیے، Di Sante اور ساتھیوں نے سب سے پہلے ایک مصنوعی عصبی نیٹ ورک کو تربیت دی تاکہ سیکڑوں ہزاروں تفریق مساوات کے اندر بنیادی نمونوں کو پہچان سکے۔ متعدد مساواتوں میں بے کاروں کی نشاندہی کرکے، ان کے الگورتھم نے مسئلہ کو مساوات کے بہت چھوٹے گروپ تک کم کرنے کی کوشش کی۔ ہفتوں کی تربیت کے بعد، الگورتھم نے مسئلہ کو صرف چار مساوات تک کم کر دیا، اور ٹیم کا کہنا ہے کہ یہ ان کے حل میں کسی بھی درستگی کی قربانی کے بغیر کیا گیا تھا۔
مصنوعی ذہانت الیکٹرانک خصوصیات کے حساب کتاب کو آسان بناتی ہے۔
محققین کو امید ہے کہ ان کا انتہائی کامیاب نتیجہ جلد ہی ہبارڈ ماڈل سے آگے کوانٹم مسائل پر آسانی سے لاگو ہو سکتا ہے۔ یہ محققین کو مادے کی کوانٹم حالتوں کو ماڈل کرنے کی اجازت دے سکتا ہے جیسے کہ سپر کنڈکٹیویٹی زیادہ کمپیوٹیشنل کارکردگی کے ساتھ۔ اس کے نتیجے میں غیر ملکی نئے مواد کے ڈیزائن بن سکتے ہیں۔ مصنوعی عصبی نیٹ ورک کے ذریعہ اٹھائے گئے نمونوں کی چھان بین کرکے، ڈی سانٹے کی ٹیم کو یہ بھی امید ہے کہ طبیعیات دان کوانٹم اثرات کے بارے میں گہری بصیرت حاصل کر سکتے ہیں جنہوں نے اب تک طبیعیات دانوں کو نظرانداز کیا ہے۔
تحقیق میں بیان کیا گیا ہے۔ جسمانی جائزہ لینے کے خطوط.
