ಹೆಚ್ಚಿದ ಮಷಿನ್​ ಲರ್ನಿಂಗ್​​​ ಮಹತ್ವ: ​​​​​​​​ನ್ಯಾನೊಸ್ಕೇಲ್‌ನಲ್ಲಿ ಮಿಶ್ರಲೋಹಗಳ ವಿನ್ಯಾಸ ನಕ್ಷೆ ಅಭಿವೃದ್ಧಿಗೆ ನೆರವು!

ನ್ಯಾನೊ ಮಿಶ್ರಲೋಹಗಳು, ಅರೆವಾಹಕಗಳು ಮತ್ತು ಅಪರೂಪದ ಲೋಹಗಳು ಸೇರಿದಂತೆ ಇನ್ನಿತರ ಹೊಸ ವಸ್ತುಗಳನ್ನು ಊಹಿಸಲು ಮೆಷಿನ್​ ಲರ್ನಿಂಗ್​ ಸಹಾಯಕವಾಗಿದೆ ಎಂದು ಸಂಶೋಧಕರು ಹೇಳುತ್ತಿದ್ದಾರೆ.

ನವದೆಹಲಿ: ನ್ಯಾನೊಸ್ಕೇಲ್‌ನಲ್ಲಿ ಮಿಶ್ರಲೋಹಗಳ ವಿನ್ಯಾಸ ನಕ್ಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ವಿಜ್ಞಾನಿಗಳು ಮಷಿನ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಬಳಸಿದ್ದಾರೆ. ಇದು ಬೈಮೆಟಾಲಿಕ್ ನ್ಯಾನೊ ಅಲಾಯ್‌ಗಳನ್ನು ರೂಪಿಸುವ ಜೋಡಿ ಲೋಹಗಳ ಹೊಂದಾಣಿಕೆ ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಮೂಲಕ ಹೊಸ ಆವಿಷ್ಕಾರವನ್ನು ಸಾಧಿಸಲಾಗಿದೆ.

ಈ ನ್ಯಾನೊ - ಮಿಶ್ರಲೋಹಗಳನ್ನು ಕೋರ್ - ಶೆಲ್ ನ್ಯಾನೊ - ಕ್ಲಸ್ಟರ್ ಮಿಶ್ರಲೋಹಗಳು ಎಂದೂ ಕರೆಯುತ್ತಾರೆ. ಇದರಲ್ಲಿ ಒಂದು ಲೋಹವು ಕೋರ್ ಅನ್ನು ರೂಪಿಸುತ್ತದೆ ಮತ್ತು ಇನ್ನೊಂದು ಶೆಲ್ ಆಗಿ ಮೇಲ್ಮೈಯಲ್ಲಿ ಉಳಿಯುತ್ತದೆ. ನ್ಯಾನೊ-ಕ್ಲಸ್ಟರ್ ಮಿಶ್ರಲೋಹಗಳಲ್ಲಿ ಕೋರ್-ಶೆಲ್ ರಚನೆಗಳು ಯಾವ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ರೂಪುಗೊಳ್ಳುತ್ತವೆ, ಯಾವ ಲೋಹವು ಕೋರ್ ಅನ್ನು ರೂಪಿಸುತ್ತದೆ, ಯಾವ ಲೋಹವು ಮೇಲ್ಮೈಯಲ್ಲಿ ಶೆಲ್ ಆಗಿ ಉಳಿಯುತ್ತದೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ.

ಏನಿದು ಕೋರ್​​​: ಕೋಶವು ಮಲ್ಟಿ- ಕೋರ್ ಮೈಕ್ರೊಪ್ರೊಸೆಸರ್ ಮೈಕ್ರೊ ಆರ್ಕಿಟೆಕ್ಚರ್ ಆಗಿದ್ದು, ಇದು ಮಲ್ಟಿಮೀಡಿಯಾ ಮತ್ತು ವೆಕ್ಟರ್ ಪ್ರೊಸೆಸಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಾಗಿವೆ. ಆವರ್ತಕ ಕೋಷ್ಟಕವು ಕ್ಷಾರದಿಂದ ಕ್ಷಾರೀಯ ಭೂಮಿಯವರೆಗೆ ವಿವಿಧ ವರ್ಗಗಳ 95 ಲೋಹಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು ಸಂಭಾವ್ಯವಾಗಿ 4,465 ಜೋಡಿಗಳನ್ನು ರಚಿಸಬಹುದು.

ನ್ಯಾನೊಕ್ಲಸ್ಟರ್ ಮಿಶ್ರಲೋಹಗಳನ್ನು ರೂಪಿಸುವಲ್ಲಿ ಅವರು ಹೇಗೆ ವರ್ತಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಿರ್ಧರಿಸಲು ಅಸಾಧ್ಯ. ಆದರೆ 'ಮಷಿನ್​ ಲರ್ನಿಂಗ್​' ಮೂಲಕ ಈ ಜೋಡಿಗಳ ನಡವಳಿಕೆಯನ್ನು ಊಹಿಸಲು ಕಂಪ್ಯೂಟರ್‌ ಪ್ರೋಗ್ರಾಮ್ ಮೂಲಕ ಪತ್ತೆ ಹಚ್ಚಬಹುದಾಗಿದೆ.

ಘಟಕಗಳ ರಾಸಾಯನಿಕ ಕ್ರಮದ ಸ್ಪಷ್ಟ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಸೈದ್ಧಾಂತಿಕವಾಗಿ ಅಧ್ಯಯನ ಮಾಡಿದ ಕೆಲವು ಕೋರ್-ಶೆಲ್ ಸಂಯೋಜನೆಗಳೊಂದಿಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಂಶ್ಲೇಷಿತ ಬೈನರಿ ನ್ಯಾನೊಕ್ಲಸ್ಟರ್‌ಗಳ ಸೀಮಿತ ಸಂಖ್ಯೆಯ ಕಾರಣದಿಂದಾಗಿ ವಿಜ್ಞಾನಿಗಳು ಇಲ್ಲಿ ಅಸಮತೋಲಿತ ಬ್ಲಾಕ್ ಬಗ್ಗೆ ಅರಿತುಕೊಳ್ಳಲು ಮುಂದಾಗಿದ್ದಾರೆ.

ಓದಿ:ಮಿತಿಮೀರಿ ಮಾಹಿತಿ ತಿಳಿದುಕೊಂಡರೆ ಮೂರ್ಖರಾಗುತ್ತೀರಾ... ಸಂಶೋಧಕರು ಕೊಟ್ಟ ಎಚ್ಚರಿಕೆ

ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನ ಇಲಾಖೆಯ ಅಡಿ ಸ್ವಾಯತ್ತ ಸಂಸ್ಥೆಯಾದ SN ಬೋಸ್ ಸೆಂಟರ್ ಫಾರ್ ಬೇಸಿಕ್ ಸೈನ್ಸಸ್‌ನ ಸಂಶೋಧಕರು ಕ್ಷಾರ ಲೋಹಗಳು, ಆರು ಲೋಹಗಳ ರಾಸಾಯನಿಕ ಪ್ರಕ್ರಿಯೆ, ಮೂಲ ಲೋಹಗಳು, ಪರಿವರ್ತನಾ ಲೋಹಗಳು ಮತ್ತು ಪಿ-ಬ್ಲಾಕ್ ಲೋಹಗಳ ವಿವಿಧ ಸಂಯೋಜನೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ದೊಡ್ಡ ಡೇಟಾ-ಸೆಟ್ ಅನ್ನು ರೂಪಿಸಿದ್ದಾರೆ. 903 ಬೈನರಿ ಸಂಯೋಜನೆಗಳು. ಸಂಭವನೀಯ ಬೈನರಿ ಸಂಯೋಜನೆಗಳ ಮೇಲೆ ಮೇಲ್ಮೈಯಿಂದ ಕೋರ್ ಸಂಬಂಧಿತ ಶಕ್ತಿಯನ್ನು ಕಂಪ್ಯೂಟಿಂಗ್ ಮಾಡುವ ಮೂಲಕ ಈ ಸಮಸ್ಯೆಯನ್ನು ನಿವಾರಿಸಲಾಗಿದೆ.

ML ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾದೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ. ಹೀಗಾಗಿ, ML ಮಾದರಿಯಲ್ಲಿ ವಿಶ್ವಾಸವನ್ನು ಸ್ಥಾಪಿಸಿದ ನಂತರ, ಕೋರ್-ಶೆಲ್ ಮಾದರಿಗೆ ಚಾಲನೆ ನೀಡುವ ಬಗ್ಗೆ ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಪ್ರಮುಖ ಅಂಶಗಳ ಸಾಪೇಕ್ಷ ಪ್ರಾಮುಖ್ಯತೆಯು ಕ್ಷಾರ ಲೋಹ - ಪ್ರಮುಖ ಲೋಹಗಳ ರಾಸಾಯನಿಕ ಕ್ರಿಯೆ ಮತ್ತು ಲೋಹ-ಪರಿವರ್ತನಾ ಕ್ರಿಯೆ ಇತ್ಯಾದಿಗಳಂತಹ ಉಪವಿಭಾಗದ ಸಂಯೋಜನೆಗಳ ಮೇಲೆ ಇವೆಲ್ಲ ಅವಲಂಬಿತ ಎಂಬುದಾಗಿ ಅಧ್ಯಯನಗಳು ಕಂಡುಕೊಂಡಿವೆ.