आम

शोधकर्ताओं ने नैनोपोटोनिक संरचनाओं का अनुकूलन करने के लिए मशीन लर्निंग का उपयोग किया


मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस (एआई) का एक संपन्न हिस्सा है जो केवल बड़ा और बेहतर बन रहा है जहां इसके तकनीकी पहलू का संबंध है। यह मशीनों और कंप्यूटरों को अनुभव और उनकी त्रुटियों से सीखने में मदद करने के लिए पहले से ही व्यापक रूप से उपयोग किया जाने वाला अनुप्रयोग है, इसलिए बोलने के लिए, केवल अपनी उत्पादकता बढ़ाने के लिए।

इस प्रभाव के लिए, जर्मनी के हेल्महोल्त्ज़-ज़ेंट्रम बर्लिन (एचजेडबी) के शोधकर्ताओं की एक टीम ने यह माना है कि मशीन सीखने और कंप्यूटर सिमुलेशन का उपयोग करके उनकी उत्पादकता के संदर्भ में नैनोस्ट्रक्चर के एक समूह को बेहतर बनाया जा सकता है और बढ़ाया जा सकता है।

HZB बर्लिन में एक लोकप्रिय अनुसंधान संस्थान है जो सौर सेल प्रौद्योगिकी की जांच के अलावा सामग्री की गतिशीलता और संरचना का अध्ययन करने के लिए जाना जाता है।

यह शोध, जिसके परिणाम कम्युनिकेशंस फिजिक्स (2018) में प्रकाशित होते हैं, यह दिखाता है कि फोटोनिक अनुप्रयोगों में मशीन लर्निंग के अनुप्रयोग का उपयोग करके सुधार किए जाने का एक वास्तविक मौका है।

अध्ययन के लिए उपयोग किए जाने वाले नैनोस्ट्रक्चर की प्रकृति

इस शोध में फोटोनिक नैनोस्ट्रक्चर का दावा किया गया है जिसकी जांच कागज में की गई थी। वे एक सिलिकॉन परत से बने होते हैं जो क्वांटम डॉट्स या छेद जैसी संरचनाओं के लिए आधार होते हैं जो लीड सल्फाइड से बने होते हैं।

जैसा कि एक अनियंत्रित सतह में क्या होगा, जब इन क्वांटम डॉट्स को लेजर के अधीन किया जाता है, तो वे प्रकाश की एक असाधारण मात्रा का उत्सर्जन करते हैं। इसलिए, नैनोस्ट्रक्चर और लेजर लाइट के बीच की बातचीत का अब पता लगाया जा सकता है।

मशीन सीखने और शोध पत्र में इसके उपयोग के परिणाम

बर्लिन में ज़ूस इंस्टीट्यूट ने सॉफ्टवेयर डिज़ाइन किया है जो वास्तव में सामग्री की संरचना के बाद की घटनाओं को रिकॉर्ड कर सकता है। 3 डी विद्युत क्षेत्र वितरण की गणना भी इसी सॉफ्टवेयर का उपयोग करके नैनोस्ट्रक्चर में परिवर्तन के हर पैरामीटर के लिए की गई थी।

डॉ। कार्लो बार्थ द्वारा टीम द्वारा बहुत सारे डेटा एकत्र किए गए थे, जिन्होंने मशीन लर्निंग द्वारा सक्षम अन्य कार्यक्रमों का उपयोग किया था। उनके शब्दों में, "कंप्यूटर ने लगभग 45,000 डेटा रिकॉर्ड के माध्यम से खोज की है और उन्हें लगभग दस अलग-अलग पैटर्न में वर्गीकृत किया है।"

अंततः, इस शोध के परिणाम सफल रहे क्योंकि टीम ने नैनोहोल के विभिन्न क्षेत्रों के बीच अंतर्निहित पैटर्न और गतिशीलता को निर्धारित किया। यह अब स्पष्ट है, इस अध्ययन के लिए धन्यवाद कि मशीन सीखने और इसके अनुप्रयोगों के साथ फोटोनिक संरचनाएं कई क्षेत्रों में उपयोग करने के लिए लंबा रास्ता तय कर सकती हैं।

उनके अनुप्रयोग विस्तृत और अंतहीन हैं। वे स्पष्ट रूप से सौर कोशिकाओं में उपयोग किया जा सकता है लेकिन इससे भी अधिक, वे बायोमोलेक्यूल और ऑप्टिकल सेंसर के लिए एक वरदान हैं जो कैंसर मार्कर के रूप में काम करते हैं।

जैसा कि शोध पत्र में स्पष्ट रूप से कहा गया है, “मशीन लर्निंग एक तेजी से विकसित होने वाला अनुशासन है जो स्पष्ट रूप से नियम-आधारित प्रोग्रामिंग के बिना डेटा से सीखने के लिए सांख्यिकीय दृष्टिकोण का उपयोग करता है। आज डेटा मात्रा में भारी वृद्धि से संबंधित, संबंधित तकनीकों को तेजी से बढ़ाया और सुधार किया जा रहा है। ”

यह ठीक है कि मशीन लर्निंग पैटर्न, आनुवंशिकी और विसंगति का पता लगाने में कैसे योगदान कर सकता है। क्या देखा जाना बाकी है कि इस ज्ञान का विविध अनुप्रयोगों में कैसे उपयोग किया जा सकता है।


वीडियो देखना: मशन सखन क कम क लए अनकलन, भग 1 (अक्टूबर 2021).