ಪರಮಾಣುಗಳು ಹೇಗೆ ಸಂವಹನ ನಡೆಸುತ್ತವೆ ಎಂಬುದರ ನಿಖರವಾದ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವುದು ಒಂದು ಸಂಕೀರ್ಣ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಸಂಶೋಧಕರು ಹೊಸ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಆರಿಸಬೇಕು, ಸತತ ಮಾದರಿಗಳನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು ಮತ್ತು ಪ್ರತಿ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಹಿಂದಿನ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಬೇಕು. ಆದರೆ MLP Copilot ಎಂಬ ಹೊಸದಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ AI ಏಜೆಂಟ್ ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯೊಂದಿಗೆ ಕಂಪ್ಯೂಟೇಶನಲ್ ಉಪಕರಣಗಳು ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಪುರಾವೆಗಳನ್ನು ಸೇತುವೆ ಮಾಡುವ ಮೂಲಕ ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೆಚ್ಚು ಸುಲಭಗೊಳಿಸಿದೆ.
“ಆಟೋ-ಪೈಲಟ್‌ಗಳು ಪೈಲಟ್‌ಗಳಿಗೆ ಜೀವನವನ್ನು ಹೆಚ್ಚು ಸುಲಭಗೊಳಿಸುವಂತೆಯೇ, ನಮ್ಮ ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಚೌಕಟ್ಟನ್ನು ವಸ್ತು ವಿಜ್ಞಾನವನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ನಿಜವಾದ ಮಾನವರು ಆಳ್ವಿಕೆಯಲ್ಲಿ ಇರಬೇಕಾದ ಅಗತ್ಯವನ್ನು ನಿರ್ಲಕ್ಷಿಸದೆ,” ಟೊಹೊಕು ವಿಶ್ವವಿದ್ಯಾಲಯದ ಅಡ್ವಾನ್ಸ್ಡ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಫಾರ್ ಮೆಟೀರಿಯಲ್ಸ್ ರಿಸರ್ಚ್‌ನ (WPI-AIMR) ಡಿಸ್ಟಿಂಗ್ವಿಶ್ಡ್ ಪ್ರೊಫೆಸರ್ ಹಾವೊ ಲಿ ಹೇಳುತ್ತಾರೆ.
MLP Copilot ಕ್ವಾಂಟಮ್ ಲೆಕ್ಕಾಚಾರಗಳಿಂದ ಪರಮಾಣು ಶಕ್ತಿಗಳು ಮತ್ತು ಬಲಗಳನ್ನು ಕಲಿಯುತ್ತಾನೆ, ಅದರ ಮಾದರಿಗಳು ದೊಡ್ಡ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳನ್ನು ಕಾರ್ಯಸಾಧ್ಯವಾಗುವಂತೆ ಮಾಡಬಹುದು. ಪ್ರತಿ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಅನುಗುಣವಾಗಿ ಲೆಕ್ಕಾಚಾರಗಳು, ತರಬೇತಿ ಡೇಟಾ ಮತ್ತು ಮೌಲ್ಯೀಕರಣದೊಂದಿಗೆ ಫ್ರೇಮ್‌ವರ್ಕ್‌ನ ಸಮನ್ವಯ ವಿಧಾನಗಳನ್ನು ವಸ್ತುಗಳ ವ್ಯವಸ್ಥೆಗಳಾದ್ಯಂತ ಮರುಬಳಕೆ ಮಾಡಬಹುದು.
ಅಕ್ಟೋಬರ್ 15, 2026 ರಂದು ನ್ಯಾಷನಲ್ ಅಕಾಡೆಮಿ ಆಫ್ ಸೈನ್ಸಸ್ (PNAS) ನ ಪ್ರೊಸೀಡಿಂಗ್ಸ್‌ನಲ್ಲಿ ನೇರ ಸಲ್ಲಿಕೆಯಾಗಿ ಅಧ್ಯಯನವನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ.
ಚೌಕಟ್ಟನ್ನು ಪ್ರದರ್ಶಿಸಲು, ತಂಡವು ಅಲ್ಯೂಮಿನಿಯಂ ನ್ಯಾನೊಪರ್ಟಿಕಲ್ ಆಕ್ಸಿಡೀಕರಣವನ್ನು ತನಿಖೆ ಮಾಡಿದೆ. ಈ ಕಣಗಳು ಗಣನೀಯ ರಾಸಾಯನಿಕ ಶಕ್ತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ, ಆದರೆ ಮೇಲ್ಮೈ ಆಕ್ಸೈಡ್ ಶೆಲ್ ಆಮ್ಲಜನಕದೊಂದಿಗೆ ಅವುಗಳ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ. ಆ ಶೆಲ್ ಬದಲಾವಣೆಗಳು ಆಕ್ಸಿಡೀಕರಣ ಮತ್ತು ಶಕ್ತಿಯ ಬಿಡುಗಡೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಭವಿಷ್ಯದ ಪ್ರಯತ್ನಗಳಿಗೆ ಹೇಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಬಹುದು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು.
ಸರಿಸುಮಾರು 80 ಸಕ್ರಿಯ-ಕಲಿಕೆ ಪುನರಾವರ್ತನೆಗಳಾದ್ಯಂತ, ಸಂಶೋಧಕರು 88,833 ಪರಮಾಣು ಸಂರಚನೆಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿದ್ದಾರೆ. ಅನಿಶ್ಚಿತ ಸಂರಚನೆಗಳು ಹೆಚ್ಚುವರಿ ಕ್ವಾಂಟಮ್ ಲೆಕ್ಕಾಚಾರಗಳು ಮತ್ತು ಮಾದರಿ ತರಬೇತಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತವೆ. ಉಲ್ಲೇಖದ ಫಲಿತಾಂಶಗಳು, ಥರ್ಮೋಡೈನಾಮಿಕ್ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಸ್ವತಂತ್ರ ಕ್ಲಸ್ಟರ್ ಪರೀಕ್ಷೆಗಳೊಂದಿಗೆ ಹೋಲಿಕೆಗಳು ಆಕ್ಸಿಡೀಕರಣ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳಲ್ಲಿ ಅದರ ಬಳಕೆಯ ಮೊದಲು ಮಾದರಿಯನ್ನು ನಿರ್ಣಯಿಸಲು ಸಹಾಯ ಮಾಡಿತು.
ಸಿಮ್ಯುಲೇಶನ್‌ಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಆಕ್ಸೈಡ್ ಶೆಲ್‌ನೊಂದಿಗೆ ಕಣಗಳ ಎರಡು ನಡವಳಿಕೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿದವು. ಅಧ್ಯಯನದೊಳಗೆ ಮಧ್ಯಮ ತಾಪಮಾನದಲ್ಲಿ, ತಾತ್ಕಾಲಿಕ ನ್ಯಾನೊಸ್ಕೇಲ್ ಮಾರ್ಗಗಳು ವಸ್ತು ಸಾಗಣೆಯನ್ನು ಸೀಮಿತಗೊಳಿಸುವಾಗ ಆಕ್ಸಿಡೀಕರಣವನ್ನು ಮುಂದುವರೆಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟವು – “ಉಸಿರಾಟದ ಮೋಡ್.” ಹೆಚ್ಚಿನ ತಾಪಮಾನದಲ್ಲಿ, ಶೆಲ್ ಛಿದ್ರವು ಅಲ್ಯೂಮಿನಿಯಂ ಕೋರ್ ಅನ್ನು ಆಮ್ಲಜನಕಕ್ಕೆ ಒಡ್ಡುತ್ತದೆ ಮತ್ತು ಆಕ್ಸಿಡೀಕರಣವನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ಅಧ್ಯಯನದ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಪ್ರಬಲವಾದ ಮಾರ್ಗವಾಗಿ ಹೊರಮುಖ ಅಲ್ಯೂಮಿನಿಯಂ ಸಾರಿಗೆಯನ್ನು ಬೆಂಬಲಿಸುವ ವಿಶ್ಲೇಷಣೆಗಳು.
ಕೆಲಸದ ಹರಿವಿನ ಉದ್ದಕ್ಕೂ, AI ಏಜೆಂಟ್‌ಗಳು ಪ್ರಾಜೆಕ್ಟ್ ಜ್ಞಾನವನ್ನು ಸಂಘಟಿಸಿದರು, ಪುರಾವೆಗಳನ್ನು ಹಿಂಪಡೆದರು ಮತ್ತು ಊರ್ಜಿತಗೊಳಿಸುವಿಕೆಯ ಯೋಜನೆಯನ್ನು ಬೆಂಬಲಿಸಿದರು. ಕಂಪ್ಯೂಟೇಶನಲ್ ಉಪಕರಣಗಳು ಡೇಟಾಸೆಟ್‌ಗಳು, ಮಾದರಿ ಆವೃತ್ತಿಗಳು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ವರದಿಗಳನ್ನು ಉಳಿಸಿಕೊಂಡಿವೆ. ಇನ್ನೂ, ಸಂಶೋಧಕರು ಯಾವ ಮಾದರಿಗಳನ್ನು ಸ್ವೀಕರಿಸಬೇಕು, ಎಲ್ಲಿ ಬಳಸಬೇಕು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಅರ್ಥೈಸಿಕೊಳ್ಳಬೇಕು ಎಂದು ನಿರ್ಧರಿಸಿದರು.
ವೈಯಕ್ತಿಕ ಲೆಕ್ಕಾಚಾರಗಳಿಗಾಗಿ AI ಅನ್ನು ಬಳಸುವುದರಿಂದ ಮಾನವ-ಏಜೆಂಟ್ ಸಹಯೋಗದ ಮೂಲಕ ಸಂಶೋಧನೆಯನ್ನು ಸಂಘಟಿಸುವವರೆಗೆ ಈ ಕೆಲಸವು ವಿಶಾಲವಾದ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಅಂತಹ ಕೆಲಸದ ಹರಿವುಗಳು ಪುನರಾವರ್ತಿತ ಸ್ವಯಂ-ಸುಧಾರಣೆ (RSI) ಗೆ ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಯನ್ನು ಬೆಂಬಲಿಸಬಹುದು, ಇದರಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆಯು ಸಿಸ್ಟಮ್‌ನ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಮತ್ತಷ್ಟು ಸುಧಾರಣೆಗಳನ್ನು ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ಎರಡನ್ನೂ ಸುಧಾರಿಸುತ್ತದೆ. ಭವಿಷ್ಯದ ಏಜೆಂಟ್‌ಗಳು ತಮ್ಮ ಯೋಜನೆ ಮತ್ತು ಉಪಕರಣದ ಬಳಕೆಯನ್ನು ಪರಿಷ್ಕರಿಸಲು ಮೌಲ್ಯೀಕರಿಸಿದ ಫಲಿತಾಂಶಗಳಿಂದ ಕಲಿಯಬಹುದು, ಪ್ರತಿ ಬದಲಾವಣೆಯನ್ನು ಸಂಶೋಧಕರು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತಾರೆ.
ವಸ್ತು ವಿಜ್ಞಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಪ್ರತಿ ತನಿಖೆಯು ಮುಂದಿನ ಸಂಶೋಧನಾ ಚಕ್ರವನ್ನು ಸುಧಾರಿಸಲು ಹೊಸ ಭೌತಿಕ ಒಳನೋಟ ಮತ್ತು ಮರುಬಳಕೆಯ ಜ್ಞಾನ ಎರಡನ್ನೂ ನೀಡುತ್ತದೆ ಎಂಬುದು ಭರವಸೆಯಾಗಿದೆ.
- ಪ್ರಕಟಣೆಯ ವಿವರಗಳು:
ಶೀರ್ಷಿಕೆ: ಮಲ್ಟಿ-ಎಐ ಏಜೆಂಟ್ ಫ್ರೇಮ್‌ವರ್ಕ್ ಅಲ್ಯೂಮಿನಿಯಂ ನ್ಯಾನೊಪರ್ಟಿಕಲ್ ಆಕ್ಸಿಡೀಕರಣದಲ್ಲಿ “ಆಕ್ಸೈಡ್ ಗೇಟ್‌ಕೀಪರ್” ಅನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ
ಲೇಖಕರು: ಯಿಮಿಂಗ್ ಲು, ಟಿಂಗ್ಯು ಲು, ಡಿ ಜಾಂಗ್, ಲಿಲಿ ಯೆ, ಹಾವೊ ಲಿ
ಜರ್ನಲ್: ನ್ಯಾಷನಲ್ ಅಕಾಡೆಮಿ ಆಫ್ ಸೈನ್ಸಸ್ (PNAS), 123 (42), e2537780123 (2026) ನ ಪ್ರೊಸೀಡಿಂಗ್ಸ್
DOI: 10.1073/pnas.2537780123
/ ಸಾರ್ವಜನಿಕ ಬಿಡುಗಡೆ. ಹುಟ್ಟುವ ಸಂಸ್ಥೆ/ಲೇಖಕ(ರು) ದಿಂದ ಈ ವಸ್ತುವು ಪಾಯಿಂಟ್-ಇನ್-ಟೈಮ್ ಸ್ವಭಾವದ್ದಾಗಿರಬಹುದು ಮತ್ತು ಸ್ಪಷ್ಟತೆ, ಶೈಲಿ ಮತ್ತು ಉದ್ದಕ್ಕಾಗಿ ಸಂಪಾದಿಸಲಾಗಿದೆ. Mirage.News ಸಾಂಸ್ಥಿಕ ಸ್ಥಾನಗಳನ್ನು ಅಥವಾ ಬದಿಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ, ಮತ್ತು ಇಲ್ಲಿ ವ್ಯಕ್ತಪಡಿಸಲಾದ ಎಲ್ಲಾ ವೀಕ್ಷಣೆಗಳು, ಸ್ಥಾನಗಳು ಮತ್ತು ತೀರ್ಮಾನಗಳು ಲೇಖಕರ(ರು) ಮಾತ್ರ. ಪೂರ್ಣವಾಗಿ ಇಲ್ಲಿ ವೀಕ್ಷಿಸಿ.
