AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ ଏହାର ମହାନ ଚ୍ୟାଲେଞ୍ଜ ପାଇଲା: ପାଞ୍ଚଟି ଅସମାପ୍ତ ସମସ୍ୟା ପାଇଁ $1M ପୁରସ୍କାର ଭିତରେ
AI materials science just got its first public scoreboard. On November 5, 2026, Discovered Materials, a Y Combinator startup, announced a $1 million prize pool: $200,000 for each of five open problems that today’s frontier AI models have not solved. The list covers cuprate superconductivity, chip interfaces, heat dissipation, light-induced material behavior, and a long-sought upgrade to Density Functional Theory.
If you have wondered whether AI can do for physical matter what it has begun doing for mathematics, this challenge is the test. In this guide, you will learn what each problem asks, why it matters for the chips and energy systems we depend on, and what the announcement reveals about where AI materials science is heading.
Key Facts at a Glance
- Who: Discovered Materials, a months-old San Francisco startup from Y Combinator’s spring 2026 batch
- What: Five open materials science problems, with $1 million in total prizes
- Per-problem reward: $200,000 for each solution
- Who shaped the problems: An advisory group of academics at leading global universities, including Stanford professor Felipe Jornada
- AI results so far: Frontier models worked autonomously for days on each problem and made little headway
- Original reporting: TechCrunch, November 5, 2026
What Is the Discovered Materials $1M Challenge?
Definition. The Discovered Materials challenge is a $1 million prize pool that rewards solutions to five unsolved problems in materials science. Each problem carries a $200,000 prize. The company designed the set as public goalposts: fixed, hard targets that show whether AI models are improving at deep physics rather than at pattern-matching on known data.
Expansion. Most AI benchmarks measure how well a model reproduces answers that humans already know. This challenge flips that. Every item is a genuine research question, and a correct answer would add to scientific knowledge. That makes it one of the clearest public tests of AI materials science to date. The problems are also practical. The answers would shape how electronics are built, how energy is stored, and how future materials are manufactured, as Jornada put it in a statement to TechCrunch.
Who Is Discovered Materials?
Discovered Materials is a San Francisco startup that uses AI models to find new substances for building advanced chips. TechCrunch’s photo caption names co-founders Advaith Sridhar and Akash Ramdas. According to Business Standard, the company raised a $9 million seed round and unveiled Material Discovery Bench, which it describes as the first benchmark for evaluating AI agents on real-world semiconductor materials-discovery problems.
The business model has two tracks. The startup partners with large chip companies on research projects, and it funds its own scientific work. The $1 million challenge extends that mission: it asks the wider scientific community, human or machine, to help push the frontier.
Who Defined the Five Problems?
Materials science has no equivalent of the Millennium Prize Problems, the famous list of open mathematics questions. So Discovered Materials built one. The company recruited an advisory group of academics from leading universities to name five open problems worth solving. Their involvement matters for credibility. These are not marketing puzzles invented by a startup; they reflect questions that working physicists consider important.
Why Does AI Materials Science Need Its Own Benchmarks?
Short answer: Because the field lacks the clean pass-fail tests that mathematics enjoys. Without them, claims of progress are hard to verify, and AI materials science risks being judged on demos instead of discoveries.
Why Is Materials Science Harder to Score Than Math?
In mathematics, a problem can be stated precisely and a proof either holds or it does not. Sridhar made this point directly: specifying problems in materials science is harder because it is not like math, where a definition leads to a yes-or-no answer. Real materials involve enormous numbers of interacting atoms, approximations in every model, and experiments that are slow and expensive. A prediction can look right on paper and still fail in a lab.
That gap is why frontier models have posted impressive results on outstanding math problems and made progress in the life sciences, yet have not truly mastered the complex physics of advanced materials.
What Do Grand Challenges Do for a Field?
Grand challenges do more than hand out prizes. They give a research community shared direction. In practice, they accomplish several things:
- Focus attention: They name the problems that matter most, so talent and funding converge.
- Define success: A clear target replaces vague claims with something checkable.
- Create a progress tracker: Repeated attempts over time show whether capabilities are improving.
- Invite outsiders: Anyone, from a professor to a frontier lab, can contribute without a gatekeeper.
Sridhar described the aim in nearly these terms: the company does not mind who finds the answers, because the problems exist to serve as goalposts for the whole field.
The Five Unsolved Materials Science Problems, Explained
Here is what each problem asks and why it matters. The descriptions of the problems come from TechCrunch’s reporting; the background explanations are general context.
1. What Would Explain Cuprate Superconductivity?
Direct answer: The challenge asks for a theory explaining how certain materials carry electricity with zero resistance.
Expansion: Cuprates are copper-oxide ceramics that superconduct at ultra-low temperatures, though at much warmer ones than older superconductors. Physicists have studied them for decades, yet no theory is universally accepted. A convincing explanation would clarify one of the great puzzles in condensed matter physics, and it could guide the search for better superconductors. An AI materials science system that produced a testable, convincing theory here would be doing something no machine has done before.
2. Can a Numerical Method Predict Silicon–Silicon Dioxide Interfaces?
Direct answer: The problem asks for a numerical method that predicts the atomic structure where silicon meets silicon dioxide.
Expansion: This pairing appears in almost all semiconductors. The interface between the two layers is where atoms must reconcile two very different structures, and its quality influences how reliably a transistor behaves. A method that predicts these structures accurately would give chip designers a sharper view of a boundary that sits inside nearly every device.
3. How Does Grain Structure Map to Thermal Properties?
Direct answer: The challenge asks for a numerical method linking a material’s grain structure to how it conducts heat.
Expansion: Solid materials are often made of many tiny crystals, or grains, and the boundaries between them affect how heat travels. As chips pack in more computing power, removing heat becomes a central constraint. A reliable mapping from grain structure to thermal behavior would let engineers design better heat dissipation materials on purpose instead of by trial and error.
4. Why Does Light Change a Material’s Behavior?
Direct answer: The problem asks for a theory predicting why shining light on a material can alter its behavior, particularly around superconductivity.
Expansion: Researchers have long explored using light to push materials into new states. What has been missing is a predictive explanation of when and why it happens. A working theory would turn a collection of surprising observations into a design tool.
5. Can Density Functional Theory Be Improved?
Direct answer: The challenge asks for a numerical method that improves Density Functional Theory, or DFT.
Expansion: DFT is a key technique for modeling the structures of atoms and molecules, and it is a workhorse of computational materials science. It balances speed against accuracy through approximations, so improving it would lift everything built on top of it. That includes AI work: many datasets behind AI materials science are generated with DFT, so a better method could raise the ceiling for the models trained on that data.
Comparison Table: The Five Challenges Side by Side
| # | Problem | Type of answer required | Area | Why it matters |
|---|---|---|---|---|
| 1 | Cuprate superconductivity | Theory | Condensed matter physics | Explains zero electrical resistance in copper-oxide materials |
| 2 | Silicon–silicon dioxide interfaces | Numerical method | Semiconductor structure | Interface found in almost all semiconductors |
| 3 | Grain structure and thermal properties | Numerical method | Thermal design | Enables better heat dissipation materials |
| 4 | Light-induced material behavior | Theory | Optics and superconductivity | Explains why light changes how materials act |
| 5 | Improving Density Functional Theory | Numerical method | Computational modeling | Upgrades a core technique for modeling atoms and molecules |
Notice the split: two problems demand new theories, and three demand new numerical methods. That mix tests both explanatory insight and practical computation.
What Happened When Frontier AI Models Tried?
Short answer: They struggled. Before announcing the challenges, Discovered Materials let frontier lab models loose on them, giving AI agents internet access and other resources to work autonomously for days. The models spent several days on each problem without making much headway.
That early result for AI materials science is sobering, but TechCrunch adds an important caveat: it is easy to imagine OpenAI or Anthropic attempting the problems with far more compute or a newer model. A failed first attempt does not set a permanent ceiling. It sets a baseline. If a later model makes visible progress on the same problems, the gap between attempts becomes a measurable signal of improvement.
How Does a Verification-First Approach Change Science?
Definition. A verification-first approach means defining how an answer will be checked before anyone proposes the answer. Sridhar described it as a new way of thinking about science: come up with the verification and the challenges first, then let somebody come up with the ideas that explain the problem.
Expansion. Traditional research often starts with a hypothesis and hunts for evidence. AI changes the economics. If models can generate candidate theories and methods quickly, the scarce resource shifts from ideas to good questions and trustworthy tests. Sridhar noted that knowing the right questions to ask is not trivial in this domain, which is why the academic advisors were essential.
For AI materials science, this is the more important shift. Tracking attempts on the five problems will show, in Sridhar’s words, “whether the models are climbing in this domain.” That is a more honest yardstick than any single model announcement.
Why Should the Semiconductor Industry Care?
Short answer: Three of the five problems touch the physical core of chips: the silicon–silicon dioxide interface, heat dissipation, and DFT modeling. Semiconductors are where AI materials science meets serious money.
Discovered Materials’ main focus is developing new materials for semiconductors. When it announced its seed round in August, Sridhar told TechCrunch he hoped the company would generate a useful material within a year. Today he says those timelines have accelerated and that he is more confident of finding industrially useful materials in under a year.
For chipmakers, the logic is straightforward. Better interface models, better thermal design, and more accurate simulation all shorten the path from idea to working material. Progress on the challenge problems would feed directly into that pipeline, even if the prize winners are not the company itself.
Where Does This Fit in the Wider AI Materials Science Landscape?
Short answer: It adds a prize-and-benchmark layer to a sector already attracting large funding. Other startups, such as Periodic Labs, have reportedly raised hundreds of millions of dollars to accelerate AI-driven materials work, and market trackers like Dealroom now maintain landscapes of AI materials discovery companies.
What sets this effort apart is its openness. Most competitors build proprietary discovery engines. Discovered Materials is also publishing hard problems that anyone can attack. That combination of private product work and public goalposts could make the AI materials science sector easier to evaluate from the outside, which helps investors, researchers, and buyers separate real capability from hype.
What Are the Limits and Open Questions?
The announcement is encouraging, but it leaves important details unanswered. Based on the TechCrunch coverage, readers should keep these points in mind:
- Judging details: The reporting does not explain how solutions will be verified or who will judge them. Check Discovered Materials’ official channels for the rules.
- Eligibility: The coverage does not say who can enter or whether AI-generated solutions qualify, although Sridhar indicated that the source of the answer does not matter to the company.
- Solvability: Some of these problems may stay open for years. A prize does not guarantee a breakthrough.
- Scope: Five problems cannot represent all of materials science. The challenge is a signal, not a full measure of the field.
In short, the challenge does not prove that AI materials science will deliver. It creates a way to find out.
What Should You Do Next?
Short answer: It depends on who you are, but each audience has a clear first step.
- Researchers and academics: Read the problem statements carefully and consider whether your expertise or your lab’s AI tooling could contribute. Following AI materials science progress through the challenge may also reveal collaboration opportunities.
- Founders and investors: Treat the challenge as a diligence tool. Companies claiming breakthroughs in AI materials science should be able to explain how their results would fare against hard, externally defined problems.
- Engineers and tech readers: Watch the three chip-related problems. Advances there will show up eventually in thermal design, interface engineering, and simulation tools.
Frequently Asked Questions
How much is the prize, and how is it divided?
The total pool is $1 million. Discovered Materials is offering $200,000 for each solution to the five problems.
Who is eligible to win?
The TechCrunch coverage does not specify eligibility rules. Sridhar said it does not matter to the company whether the answer comes from the company itself, another researcher, a professor, or a frontier AI lab. Check the official announcement for formal terms.
Have AI models solved any of the five problems?
Not according to the reporting. Frontier models given internet access and days of autonomous work on each problem did not make much headway.
Why does AI materials science matter for semiconductors?
AI materials science matters because chip performance depends on materials: how layers join, how heat escapes, and how atoms behave in simulation. Faster discovery and more accurate modeling of those materials can shorten development cycles for advanced chips.
What is Discovered Materials?
It is a Y Combinator startup, part of the spring 2026 batch, that uses AI models to find new substances for advanced chips. It partners with chip companies and funds its own research.
What is Density Functional Theory?
Density Functional Theory is a key computational technique for modeling the structures of atoms and molecules. It is widely used across materials science, which is why improving it is one of the five challenges.
Conclusion: A Scoreboard for a New Kind of Science
The Discovered Materials challenge does something the field has lacked: it turns a fuzzy question, “is AI getting better at materials science?”, into five specific, hard, checkable targets. Frontier models have not cracked them yet, but the challenge is built to track the climb, and the people who defined the problems are working scientists.
Whether the first solution comes from a professor, a startup, or a frontier lab, the direction is clear. Define the test, then let the ideas compete. For anyone following the future of AI materials science, these five problems are now the benchmark to watch.
AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ ଏହାର ମହାନ ଚ୍ୟାଲେଞ୍ଜ ପାଇଲା: ପାଞ୍ଚଟି ଅସମାପ୍ତ ସମସ୍ୟା ପାଇଁ $1M ପୁରସ୍କାର ଭିତରେ
AI ସାମଗ୍ରୀ ବିଜ୍ଞାନକୁ ଏବେ ପ୍ରଥମ ସାର୍ବଜନୀନ ସ୍କୋରବୋର୍ଡ ମିଳିଛି। ନଭେମ୍ବର 5, 2026 ରେ, ଏକ Y କମ୍ବିନେଟର ଷ୍ଟାର୍ଟଅପ୍, Discovered Materials, ଏକ $1M ପୁରସ୍କାର ପୁଲ୍ ଘୋଷଣା କରିଛି: ଆଜିର ଫ୍ରଣ୍ଟିୟର AI ମଡେଲ୍ ସମାଧାନ କରିନଥିବା ପାଞ୍ଚଟି ଖୋଲା ସମସ୍ୟା ପାଇଁ $200,000। ତାଲିକାରେ କପ୍ରେଟ୍ ସୁପରକଣ୍ଡକ୍ଟିଭିଟି, ଚିପ୍ ଇଣ୍ଟରଫେସ୍, ତାପ ଅପଚୟ, ଆଲୋକ-ପ୍ରେରିତ ସାମଗ୍ରୀ ଆଚରଣ ଏବଂ ଘନତା କାର୍ଯ୍ୟକ୍ଷମ ତତ୍ତ୍ୱର ଏକ ଦୀର୍ଘ-ପ୍ରତୀକ୍ଷିତ ଅପଗ୍ରେଡ୍ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି।
ଯଦି ଆପଣ ଚିନ୍ତା କରିଛନ୍ତି ଯେ AI ଭୌତିକ ପଦାର୍ଥ ପାଇଁ ତାହା କରିପାରିବ କି ଯାହା ଏହା ଗଣିତ ପାଇଁ କରିବା ଆରମ୍ଭ କରିଛି, ତେବେ ଏହି ଚ୍ୟାଲେଞ୍ଜ ହେଉଛି ପରୀକ୍ଷା। ଏହି ଗାଇଡରେ, ଆପଣ ଶିଖିବେ ଯେ ପ୍ରତ୍ୟେକ ସମସ୍ୟା କ’ଣ ପଚାରେ, ଆମେ ନିର୍ଭର କରୁଥିବା ଚିପ୍ସ ଏବଂ ଶକ୍ତି ପ୍ରଣାଳୀ ପାଇଁ ଏହା କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ଏବଂ AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ କେଉଁ ଆଡ଼କୁ ଯାଉଛି ସେ ବିଷୟରେ ଘୋଷଣା କ’ଣ ପ୍ରକାଶ କରେ।
ଏକ ନଜରରେ ମୁଖ୍ୟ ତଥ୍ୟ
କିଏ: ଆବିଷ୍କୃତ ସାମଗ୍ରୀ, Y କମ୍ବିନେଟରର ବସନ୍ତ 2026 ବ୍ୟାଚ୍ର ଏକ ମାସ ପୁରୁଣା ସାନ୍ ଫ୍ରାନ୍ସିସ୍କୋ ଷ୍ଟାର୍ଟଅପ୍
କଣ: ପାଞ୍ଚଟି ଖୋଲା ସାମଗ୍ରୀ ବିଜ୍ଞାନ ସମସ୍ୟା, ମୋଟ $1 ନିୟୁତ ପୁରସ୍କାର ସହିତ
ପ୍ରତି-ସମସ୍ୟା ପୁରସ୍କାର: ପ୍ରତ୍ୟେକ ସମାଧାନ ପାଇଁ $200,000
କିଏ ସମସ୍ୟାଗୁଡ଼ିକୁ ଆକାର ଦେଇଛି: ଷ୍ଟାନଫୋର୍ଡ ପ୍ରଫେସର ଫେଲିପ୍ ଜୋର୍ନାଡା ସମେତ ପ୍ରମୁଖ ବିଶ୍ୱ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଶିକ୍ଷାବିତ୍ଙ୍କ ଏକ ପରାମର୍ଶଦାତା ଗୋଷ୍ଠୀ
ଏ ପର୍ଯ୍ୟନ୍ତ AI ଫଳାଫଳ: ଫ୍ରଣ୍ଟିୟର୍ ମଡେଲ୍ ପ୍ରତ୍ୟେକ ସମସ୍ୟା ଉପରେ ଦିନ ପାଇଁ ସ୍ୱାୟତ୍ତ ଭାବରେ କାର୍ଯ୍ୟ କରିଥିଲେ ଏବଂ ଅଳ୍ପ ଅଗ୍ରଗତି କରିଥିଲେ
ମୂଳ ରିପୋର୍ଟିଂ: ଟେକ୍କ୍ରଞ୍ଚ, ନଭେମ୍ବର 5, 2026
ଆବିଷ୍କୃତ ସାମଗ୍ରୀ $1 ମିଲିୟନ ଚ୍ୟାଲେଞ୍ଜ କ’ଣ?
ପରିଭାଷା। ଆବିଷ୍କୃତ ସାମଗ୍ରୀ ଚ୍ୟାଲେଞ୍ଜ ହେଉଛି $1 ମିଲିୟନ ପୁରସ୍କାର ପୁଲ୍ ଯାହା ସାମଗ୍ରୀ ବିଜ୍ଞାନରେ ପାଞ୍ଚଟି ଅସମାପ୍ତ ସମସ୍ୟାର ସମାଧାନକୁ ପୁରସ୍କୃତ କରେ। ପ୍ରତ୍ୟେକ ସମସ୍ୟା ପାଇଁ $200,000 ପୁରସ୍କାର ବହନ କରେ। କମ୍ପାନୀ ସେଟ୍କୁ ସାର୍ବଜନୀନ ଲକ୍ଷ୍ୟସ୍ଥଳ ଭାବରେ ଡିଜାଇନ୍ କରିଛି: ସ୍ଥିର, କଠିନ ଲକ୍ଷ୍ୟ ଯାହା ଦର୍ଶାଏ ଯେ AI ମଡେଲ୍ ଗୁଡ଼ିକ ଜଣାଶୁଣା ତଥ୍ୟ ଉପରେ ପାଟର୍ନ-ମେଳ କରିବା ପରିବର୍ତ୍ତେ ଗଭୀର ପଦାର୍ଥ ବିଜ୍ଞାନରେ ଉନ୍ନତି କରୁଛନ୍ତି କି ନାହିଁ।
ବିସ୍ତାର। ଅଧିକାଂଶ AI ମାନଦଣ୍ଡ ମାପକାଠି କେତେ ଭଲ ଭାବରେ ଏକ ମଡେଲ୍ ଉତ୍ତର ପୁନଃଉତ୍ପାଦନ କରେ ଯାହା ମଣିଷ ପୂର୍ବରୁ ଜାଣିଛି। ଏହି ଚ୍ୟାଲେଞ୍ଜ ତାହାକୁ ଓଲଟାଇ ଦିଏ। ପ୍ରତ୍ୟେକ ଜିନିଷ ଏକ ପ୍ରକୃତ ଗବେଷଣା ପ୍ରଶ୍ନ, ଏବଂ ଏକ ସଠିକ୍ ଉତ୍ତର ବୈଜ୍ଞାନିକ ଜ୍ଞାନକୁ ବୃଦ୍ଧି କରିବ। ଏହା ଏହାକୁ ଆଜି ପର୍ଯ୍ୟନ୍ତ AI ସାମଗ୍ରୀ ବିଜ୍ଞାନର ସବୁଠାରୁ ସ୍ପଷ୍ଟ ସାର୍ବଜନୀନ ପରୀକ୍ଷା ମଧ୍ୟରୁ ଗୋଟିଏ କରିଥାଏ। ସମସ୍ୟାଗୁଡ଼ିକ ମଧ୍ୟ ବ୍ୟବହାରିକ। ଉତ୍ତରଗୁଡ଼ିକ କିପରି ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ତିଆରି ହୁଏ, କିପରି ଶକ୍ତି ସଂରକ୍ଷଣ କରାଯାଏ ଏବଂ ଭବିଷ୍ୟତର ସାମଗ୍ରୀ କିପରି ପ୍ରସ୍ତୁତ ହୁଏ ତାହା ଆକାର ଦେବ, ଯେପରି ଜୋରନାଡା TechCrunch କୁ ଏକ ବିବୃତ୍ତିରେ କହିଛନ୍ତି।
ଆବିଷ୍କୃତ ସାମଗ୍ରୀ କିଏ?
ଆବିଷ୍କୃତ ସାମଗ୍ରୀ ହେଉଛି ଏକ ସାନ ଫ୍ରାନ୍ସିସ୍କୋ ଷ୍ଟାର୍ଟଅପ୍ ଯାହା ଉନ୍ନତ ଚିପ୍ସ ନିର୍ମାଣ ପାଇଁ ନୂତନ ପଦାର୍ଥ ଖୋଜିବା ପାଇଁ AI ମଡେଲ ବ୍ୟବହାର କରେ। TechCrunch ର ଫଟୋ କ୍ୟାପସନରେ ସହ-ପ୍ରତିଷ୍ଠାତା ଅଦ୍ୱୈତ ଶ୍ରୀଧର ଏବଂ ଆକାଶ ରାମଦାସଙ୍କ ନାମ ଦିଆଯାଇଛି। ବ୍ୟବସାୟ ମାନଦଣ୍ଡ ଅନୁଯାୟୀ, କମ୍ପାନୀ $9 ନିୟୁତ ବିଡ୍ ରାଉଣ୍ଡ ସଂଗ୍ରହ କରିଛି ଏବଂ ସାମଗ୍ରୀ ଡିସକଭରୀ ବେଞ୍ଚ ଉନ୍ମୋଚନ କରିଛି, ଯାହାକୁ ଏହା ବାସ୍ତବ-ବିଶ୍ୱ ଅର୍ଦ୍ଧପରିବାହୀ ସାମଗ୍ରୀ-ଆବିଷ୍କାର ସମସ୍ୟା ଉପରେ AI ଏଜେଣ୍ଟମାନଙ୍କର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ପ୍ରଥମ ମାନଦଣ୍ଡ ଭାବରେ ବର୍ଣ୍ଣନା କରିଛି।
ବ୍ୟବସାୟ ମଡେଲର ଦୁଇଟି ଟ୍ରାକ୍ ଅଛି। ଗବେଷଣା ପ୍ରକଳ୍ପରେ ବଡ଼ ଚିପ୍ କମ୍ପାନୀଗୁଡ଼ିକ ସହିତ ଷ୍ଟାର୍ଟଅପ୍ ସହଭାଗୀ, ଏବଂ ଏହା ନିଜର ବୈଜ୍ଞାନିକ କାର୍ଯ୍ୟକୁ ପାଣ୍ଠି ଯୋଗାଇଥାଏ। $1 ନିୟୁତ ଡଲାରର ଚ୍ୟାଲେଞ୍ଜ ସେହି ମିଶନକୁ ବିସ୍ତାର କରେ: ଏହା ବ୍ୟାପକ ବୈଜ୍ଞାନିକ ସମ୍ପ୍ରଦାୟ, ମଣିଷ କିମ୍ବା ମେସିନକୁ, ସୀମାକୁ ଆଗକୁ ବଢାଇବାରେ ସାହାଯ୍ୟ କରିବାକୁ ଅନୁରୋଧ କରେ।
ପାଞ୍ଚଟି ସମସ୍ୟାକୁ କିଏ ପରିଭାଷିତ କରିଛି?
ସାମଗ୍ରୀ ବିଜ୍ଞାନର ଖୋଲା ଗଣିତ ପ୍ରଶ୍ନର ପ୍ରସିଦ୍ଧ ତାଲିକା ମିଲେନିୟମ ପୁରସ୍କାର ସମସ୍ୟାର କୌଣସି ସମକକ୍ଷ ନାହିଁ। ତେଣୁ ଡିସ୍କଭର୍ଡ ସାମଗ୍ରୀ ଗୋଟିଏ ତିଆରି କଲା। କମ୍ପାନୀ ପ୍ରମୁଖ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଶିକ୍ଷାବିତ୍ମାନଙ୍କର ଏକ ପରାମର୍ଶଦାତା ଗୋଷ୍ଠୀକୁ ନିଯୁକ୍ତି ଦେଇଥିଲା ଯାହା ସମାଧାନ କରିବା ଯୋଗ୍ୟ ପାଞ୍ଚଟି ଖୋଲା ସମସ୍ୟାର ନାମକରଣ କରିଥିଲା। ବିଶ୍ୱସନୀୟତା ପାଇଁ ସେମାନଙ୍କର ସମ୍ପୃକ୍ତି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ। ଏଗୁଡ଼ିକ ଏକ ଷ୍ଟାର୍ଟଅପ୍ ଦ୍ୱାରା ଉଦ୍ଭାବିତ ମାର୍କେଟିଂ ପଜଲ୍ ନୁହେଁ; ଏଗୁଡ଼ିକ ଏପରି ପ୍ରଶ୍ନକୁ ପ୍ରତିଫଳିତ କରେ ଯାହାକୁ କାର୍ଯ୍ୟରତ ପଦାର୍ଥବିଜ୍ଞାନୀମାନେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବୋଲି ବିବେଚନା କରନ୍ତି।
AI ସାମଗ୍ରୀ ବିଜ୍ଞାନକୁ ଏହାର ନିଜସ୍ୱ ମାନଦଣ୍ଡ କାହିଁକି ଆବଶ୍ୟକ?
ସଂକ୍ଷିପ୍ତ ଉତ୍ତର: କାରଣ କ୍ଷେତ୍ରଟିରେ ଗଣିତ ଉପଭୋଗ କରୁଥିବା ସ୍ୱଚ୍ଛ ପାସ୍-ଫେଲ୍ ପରୀକ୍ଷାର ଅଭାବ ଅଛି। ସେମାନଙ୍କ ବିନା, ପ୍ରଗତି ଦାବି ଯାଞ୍ଚ କରିବା କଷ୍ଟକର, ଏବଂ AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ ଆବିଷ୍କାର ବଦଳରେ ଡେମୋ ଉପରେ ବିଚାର କରାଯିବାର ଆଶଙ୍କା ଥାଏ।
ଗଣିତ ଅପେକ୍ଷା ସାମଗ୍ରୀ ବିଜ୍ଞାନ ସ୍କୋର କରିବା କାହିଁକି କଷ୍ଟକର?
ଗଣିତରେ, ଏକ ସମସ୍ୟାକୁ ସଠିକ୍ ଭାବରେ କୁହାଯାଇପାରିବ ଏବଂ ଏକ ପ୍ରମାଣ ଧାରଣ କରେ କିମ୍ବା କରେ ନାହିଁ। ଶ୍ରୀଧର ସିଧାସଳଖ ଏହି କଥା କହିଥିଲେ: ସାମଗ୍ରୀ ବିଜ୍ଞାନରେ ସମସ୍ୟାଗୁଡ଼ିକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା କଷ୍ଟକର କାରଣ ଏହା ଗଣିତ ପରି ନୁହେଁ, ଯେଉଁଠାରେ ଏକ ପରିଭାଷା ହଁ-ନା-ନା ଉତ୍ତର ଦେଇଥାଏ। ପ୍ରକୃତ ସାମଗ୍ରୀରେ ବିପୁଳ ସଂଖ୍ୟକ ପାରସ୍ପରିକ କ୍ରିୟାଶୀଳ ପରମାଣୁ, ପ୍ରତ୍ୟେକ ମଡେଲରେ ପ୍ରାୟତଃ ଏବଂ ଧୀର ଏବଂ ମହଙ୍ଗା ପରୀକ୍ଷଣ ଅନ୍ତର୍ଭୁକ୍ତ। ଏକ ଭବିଷ୍ୟବାଣୀ କାଗଜରେ ଠିକ୍ ଦେଖାଯାଇପାରେ ଏବଂ ତଥାପି ଏକ ପରୀକ୍ଷାଗାରରେ ବିଫଳ ହୁଏ।
ସେହି ବ୍ୟବଧାନ ଯୋଗୁଁ ଫ୍ରଣ୍ଟିୟର୍ ମଡେଲଗୁଡ଼ିକ ଉତ୍କୃଷ୍ଟ ଗଣିତ ସମସ୍ୟା ଉପରେ ପ୍ରଭାବଶାଳୀ ଫଳାଫଳ ପୋଷ୍ଟ କରିଛନ୍ତି ଏବଂ ଜୀବନ ବିଜ୍ଞାନରେ ପ୍ରଗତି କରିଛନ୍ତି, ତଥାପି ଉନ୍ନତ ସାମଗ୍ରୀର ଜଟିଳ ପଦାର୍ଥ ବିଜ୍ଞାନରେ ପ୍ରକୃତରେ ଆୟତ୍ତ କରିନାହାଁନ୍ତି।
ଏକ କ୍ଷେତ୍ର ପାଇଁ ମହାନ ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକ କ’ଣ କରନ୍ତି?
ମହାନ ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକ ପୁରସ୍କାର ପ୍ରଦାନ କରିବା ଅପେକ୍ଷା ଅଧିକ କିଛି କରନ୍ତି। ସେମାନେ ଏକ ଗବେଷଣା ସମ୍ପ୍ରଦାୟକୁ ସମାନ ଦିଗଦର୍ଶନ ଦିଅନ୍ତି। ଅଭ୍ୟାସରେ, ସେମାନେ ଅନେକ ଜିନିଷ ହାସଲ କରନ୍ତି:
ଧ୍ୟାନ ଦିଅନ୍ତୁ: ସେମାନେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମସ୍ୟାଗୁଡ଼ିକର ନାମ ଦିଅନ୍ତି, ତେଣୁ ପ୍ରତିଭା ଏବଂ ପାଣ୍ଠି ଏକତ୍ରିତ ହୁଏ।
ସଫଳତାକୁ ପରିଭାଷିତ କରନ୍ତୁ: ଏକ ସ୍ପଷ୍ଟ ଲକ୍ଷ୍ୟ ଅସ୍ପଷ୍ଟ ଦାବିଗୁଡ଼ିକୁ ଯାଞ୍ଚଯୋଗ୍ୟ କିଛି ସହିତ ବଦଳାଇଥାଏ।
ଏକ ପ୍ରଗତି ଟ୍ରାକର ତିଆରି କରନ୍ତୁ: ସମୟ ସହିତ ବାରମ୍ବାର ପ୍ରୟାସ ଦେଖାଏ ଯେ କ୍ଷମତାଗୁଡ଼ିକ ଉନ୍ନତ ହେଉଛି କି ନାହିଁ।
ବାହାର ଲୋକଙ୍କୁ ଆମନ୍ତ୍ରଣ କରନ୍ତୁ: ପ୍ରଫେସରଙ୍କଠାରୁ ଫ୍ରଣ୍ଟିୟର୍ ଲ୍ୟାବ ପର୍ଯ୍ୟନ୍ତ ଯେକୌଣସି ବ୍ୟକ୍ତିଦ୍ୱାରପାଳ ବିନା ଅନଟ୍ରିବ୍ୟୁଟ୍।
ଶ୍ରୀଧର ପ୍ରାୟ ଏହି ଶବ୍ଦରେ ଲକ୍ଷ୍ୟକୁ ବର୍ଣ୍ଣନା କରିଥିଲେ: କମ୍ପାନୀ ଉତ୍ତର ଖୋଜୁଥିବା ବ୍ୟକ୍ତିଙ୍କୁ ଆପତ୍ତି କରେ ନାହିଁ, କାରଣ ସମସ୍ୟାଗୁଡ଼ିକ ସମଗ୍ର କ୍ଷେତ୍ର ପାଇଁ ଲକ୍ଷ୍ୟସ୍ଥଳ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ରହିଛି।
ପାଞ୍ଚଟି ଅସମାହିତ ସାମଗ୍ରୀ ବିଜ୍ଞାନ ସମସ୍ୟା, ବ୍ୟାଖ୍ୟା କରାଯାଇଛି
ପ୍ରତ୍ୟେକ ସମସ୍ୟା କ’ଣ ପଚାରେ ଏବଂ ଏହା କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତାହା ଏଠାରେ ଅଛି। ସମସ୍ୟାଗୁଡ଼ିକର ବର୍ଣ୍ଣନା ଟେକକ୍ରଞ୍ଚର ରିପୋର୍ଟିଂରୁ ଆସିଛି; ପୃଷ୍ଠଭୂମି ବ୍ୟାଖ୍ୟା ସାଧାରଣ ପ୍ରସଙ୍ଗ।
- କପ୍ରେଟ୍ ସୁପରକଣ୍ଡକ୍ଟିଭିଟି କ’ଣ ବ୍ୟାଖ୍ୟା କରିବ?
ସିଧାସଳଖ ଉତ୍ତର: ଚ୍ୟାଲେଞ୍ଜ ଏକ ତତ୍ତ୍ୱ ପାଇଁ ଅନୁରୋଧ କରେ ଯାହା ବ୍ୟାଖ୍ୟା କରେ ଯେ କିଛି ପଦାର୍ଥ ଶୂନ୍ୟ ପ୍ରତିରୋଧ ସହିତ ବିଦ୍ୟୁତ୍ କିପରି ବହନ କରେ।
ବିସ୍ତାର: କପ୍ରେଟ୍ ହେଉଛି ତମ୍ବା-ଅକ୍ସାଇଡ୍ ସେରାମିକ୍ସ ଯାହା ଅତି-ନିମ୍ନ ତାପମାତ୍ରାରେ ସୁପରକଣ୍ଡକ୍ଟ କରେ, ଯଦିଓ ପୁରୁଣା ସୁପରକଣ୍ଡକ୍ଟର ଅପେକ୍ଷା ବହୁତ ଉଷ୍ମ। ପଦାର୍ଥବିଜ୍ଞାନୀମାନେ ସେଗୁଡ଼ିକୁ ଦଶନ୍ଧି ଧରି ଅଧ୍ୟୟନ କରିଛନ୍ତି, ତଥାପି କୌଣସି ତତ୍ତ୍ୱ ସାର୍ବଜନୀନ ଭାବରେ ଗ୍ରହଣୀୟ ନୁହେଁ। ଏକ ବିଶ୍ୱାସଯୋଗ୍ୟ ବ୍ୟାଖ୍ୟା ଘନୀଭୂତ ପଦାର୍ଥ ପଦାର୍ଥ ବିଜ୍ଞାନରେ ଏକ ମହାନ ପଜ୍ଳକୁ ସ୍ପଷ୍ଟ କରିବ, ଏବଂ ଏହା ଉତ୍ତମ ସୁପରକଣ୍ଡକ୍ଟର ପାଇଁ ସନ୍ଧାନକୁ ମାର୍ଗଦର୍ଶନ କରିପାରିବ। ଏକ AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ ପ୍ରଣାଳୀ ଯାହା ଏଠାରେ ଏକ ପରୀକ୍ଷଣଯୋଗ୍ୟ, ବିଶ୍ୱାସଯୋଗ୍ୟ ତତ୍ତ୍ୱ ଉତ୍ପାଦନ କରିବ ଯାହା ପୂର୍ବରୁ କୌଣସି ମେସିନ୍ କରିନାହିଁ।
- କ’ଣ ଏକ ସାଂଖ୍ୟିକ ପଦ୍ଧତି ସିଲିକନ୍-ସିଲିକନ୍ ଡାଇଅକ୍ସାଇଡ୍ ଇଣ୍ଟରଫେସ୍ ପୂର୍ବାନୁମାନ କରିପାରିବ?
ସିଧା ଉତ୍ତର: ସମସ୍ୟାଟି ଏକ ସାଂଖ୍ୟିକ ପଦ୍ଧତି ପାଇଁ ଅନୁରୋଧ କରେ ଯାହା ସିଲିକନ୍ ସିଲିକନ୍ ଡାଇଅକ୍ସାଇଡ୍ ସହିତ ଯେଉଁଠାରେ ପାରମାଣିକ ଗଠନର ପୂର୍ବାନୁମାନ କରେ।
ପ୍ରସାରଣ: ଏହି ଯୋଡ଼ି ପ୍ରାୟ ସମସ୍ତ ଅର୍ଦ୍ଧପରିବାହୀ ଯନ୍ତ୍ରରେ ଦେଖାଯାଏ। ଦୁଇଟି ସ୍ତର ମଧ୍ୟରେ ଇଣ୍ଟରଫେସ୍ ହେଉଛି ଯେଉଁଠାରେ ପରମାଣୁ ଦୁଇଟି ଭିନ୍ନ ଗଠନକୁ ମିଶ୍ରଣ କରିବାକୁ ପଡିବ, ଏବଂ ଏହାର ଗୁଣବତ୍ତା ଏକ ଟ୍ରାଞ୍ଜିଷ୍ଟର କେତେ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ଆଚରଣ କରେ ତାହା ପ୍ରଭାବିତ କରେ। ଏହି ଗଠନଗୁଡ଼ିକୁ ସଠିକ୍ ଭାବରେ ଭବିଷ୍ୟବାଣୀ କରୁଥିବା ଏକ ପଦ୍ଧତି ଚିପ୍ ଡିଜାଇନର୍ସଙ୍କୁ ପ୍ରାୟ ପ୍ରତ୍ୟେକ ଡିଭାଇସ୍ ଭିତରେ ବସିଥିବା ଏକ ସୀମାର ଏକ ତୀକ୍ଷ୍ଣ ଦୃଶ୍ୟ ଦେବ।
- ଶସ୍ୟ ଗଠନ ତାପୀୟ ଗୁଣଗୁଡ଼ିକୁ କିପରି ମ୍ୟାପ୍ କରେ?
ସିଧା ଉତ୍ତର: ଚ୍ୟାଲେଞ୍ଜ ଏକ ସାଂଖ୍ୟିକ ପଦ୍ଧତି ପାଇଁ ଅନୁରୋଧ କରେ ଯାହା ଏକ ସାମଗ୍ରୀର ଶସ୍ୟ ଗଠନକୁ ଏହା କିପରି ତାପ ପରିଚାଳନା କରେ ତାହା ସହିତ ସଂଯୋଗ କରେ।
ବିସ୍ତାର: କଠିନ ପଦାର୍ଥଗୁଡ଼ିକ ପ୍ରାୟତଃ ଅନେକ କ୍ଷୁଦ୍ର ସ୍ଫଟିକ କିମ୍ବା ଶସ୍ୟରୁ ତିଆରି ହୋଇଥାଏ, ଏବଂ ସେମାନଙ୍କ ମଧ୍ୟରେ ସୀମାଗୁଡ଼ିକ ତାପ କିପରି ଯାତ୍ରା କରେ ତାହା ପ୍ରଭାବିତ କରେ। ଚିପ୍ସ ଅଧିକ କମ୍ପ୍ୟୁଟିଂ ଶକ୍ତିରେ ପ୍ୟାକ୍ କରୁଥିବାରୁ, ତାପ ଅପସାରଣ ଏକ କେନ୍ଦ୍ରୀୟ ପ୍ରତିବନ୍ଧକ ହୋଇଯାଏ। ଶସ୍ୟ ଗଠନରୁ ତାପୀୟ ଆଚରଣ ପର୍ଯ୍ୟନ୍ତ ଏକ ନିର୍ଭରଯୋଗ୍ୟ ମ୍ୟାପିଂ ଇଞ୍ଜିନିୟରମାନଙ୍କୁ ପରୀକ୍ଷା ଏବଂ ତ୍ରୁଟି ପରିବର୍ତ୍ତେ ଉଦ୍ଦେଶ୍ୟମୂଳକ ଭାବରେ ଉତ୍ତମ ତାପ ଅପଚୟ ସାମଗ୍ରୀ ଡିଜାଇନ୍ କରିବାକୁ ଦେବ।
- ଆଲୋକ କାହିଁକି ଏକ ସାମଗ୍ରୀର ଆଚରଣକୁ ପରିବର୍ତ୍ତନ କରେ?
ପ୍ରତ୍ୟକ୍ଷ ଉତ୍ତର: ସମସ୍ୟାଟି ଏକ ତତ୍ତ୍ୱ ପାଇଁ ପଚାରେ ଯାହା ଭବିଷ୍ୟବାଣୀ କରେ ଯେ କାହିଁକି ଏକ ସାମଗ୍ରୀ ଉପରେ ଆଲୋକ ଚମକିବା ଏହାର ଆଚରଣକୁ ପରିବର୍ତ୍ତନ କରିପାରିବ, ବିଶେଷକରି ସୁପରକଣ୍ଡକ୍ଟିଭିଟି ଚାରିପାଖରେ।
ପ୍ରସାରଣ: ଗବେଷକମାନେ ଦୀର୍ଘ ସମୟ ଧରି ନୂତନ ଅବସ୍ଥାରେ ସାମଗ୍ରୀକୁ ଠେଲିବା ପାଇଁ ଆଲୋକ ବ୍ୟବହାର କରି ଅନୁସନ୍ଧାନ କରିଛନ୍ତି। ଏହା କେବେ ଏବଂ କାହିଁକି ଘଟେ ତାହାର ଏକ ଭବିଷ୍ୟବାଣୀ ବ୍ୟାଖ୍ୟା ଯାହା ହଜିଯାଇଛି। ଏକ କାର୍ଯ୍ୟକ୍ଷମ ତତ୍ତ୍ୱ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ପର୍ଯ୍ୟବେକ୍ଷଣର ସଂଗ୍ରହକୁ ଏକ ଡିଜାଇନ୍ ଉପକରଣରେ ପରିଣତ କରିବ।
- କ’ଣ ଘନତା କାର୍ଯ୍ୟକ୍ଷମ ତତ୍ତ୍ୱକୁ ଉନ୍ନତ କରାଯାଇପାରିବ?
ପ୍ରତ୍ୟକ୍ଷ ଉତ୍ତର: ଚ୍ୟାଲେଞ୍ଜ ଏକ ସାଂଖ୍ୟିକ ପଦ୍ଧତି ପାଇଁ ପଚାରେ ଯାହା ଘନତା କାର୍ଯ୍ୟକ୍ଷମ ତତ୍ତ୍ୱ, କିମ୍ବା DFT କୁ ଉନ୍ନତ କରେ।
ପ୍ରସାରଣ: DFT ହେଉଛି ପରମାଣୁ ଏବଂ ଅଣୁଗୁଡ଼ିକର ଗଠନ ମଡେଲିଂ ପାଇଁ ଏକ ପ୍ରମୁଖ କୌଶଳ, ଏବଂ ଏହା ଗଣନା ସାମଗ୍ରୀ ବିଜ୍ଞାନର ଏକ କାର୍ଯ୍ୟହର୍ସ। ଏହା ପ୍ରାୟତଃ ମାଧ୍ୟମରେ ସଠିକତା ବିରୁଦ୍ଧରେ ଗତିକୁ ସନ୍ତୁଳିତ କରେ, ତେଣୁ ଏହାକୁ ଉନ୍ନତ କରିବା ଦ୍ୱାରା ଏହା ଉପରେ ନିର୍ମିତ ସବୁକିଛି ଉପରକୁ ଉଠିପାରିବ। ଏଥିରେ AI କାର୍ଯ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ: AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ ପଛରେ ଅନେକ ଡାଟାସେଟ୍ DFT ସହିତ ସୃଷ୍ଟି ହୋଇଥାଏ, ତେଣୁ ଏକ ଉତ୍ତମ ପଦ୍ଧତି ସେହି ତଥ୍ୟ ଉପରେ ତାଲିମପ୍ରାପ୍ତ ମଡେଲଗୁଡ଼ିକ ପାଇଁ ସୀମା ବୃଦ୍ଧି କରିପାରିବ।
ତୁଳନା ସାରଣୀ: ପାଞ୍ଚଟି ଚ୍ୟାଲେଞ୍ଜ ପାଖ ପାଖେ
ସମସ୍ୟାର ଉତ୍ତର ପ୍ରକାର ଆବଶ୍ୟକ କ୍ଷେତ୍ର ଏହା କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ
1 କପ୍ରେଟ୍ ସୁପରକଣ୍ଡକ୍ଟିଭିଟି ତତ୍ତ୍ୱ ଘନୀଭୂତ ପଦାର୍ଥ ପଦାର୍ଥ ବିଜ୍ଞାନ ତମ୍ବା-ଅକ୍ସାଇଡ୍ ସାମଗ୍ରୀରେ ଶୂନ୍ୟ ବୈଦ୍ୟୁତିକ ପ୍ରତିରୋଧ ବ୍ୟାଖ୍ୟା କରେ
2 ସିଲିକନ୍-ସିଲିକନ୍ ଡାଇଅକ୍ସାଇଡ୍ ଇଣ୍ଟରଫେସ୍ ସଂଖ୍ୟାତ୍ମକ ପଦ୍ଧତି ଅର୍ଦ୍ଧପରିବାହୀ ଗଠନ ପ୍ରାୟ ସମସ୍ତ ଅର୍ଦ୍ଧପରିବାହୀରେ ମିଳୁଥିବା ଇଣ୍ଟରଫେସ୍
3 ଶସ୍ୟ ଗଠନ ଏବଂ ତାପଜ ଗୁଣ ସଂଖ୍ୟାତ୍ମକ ପଦ୍ଧତି ତାପଜ ଡିଜାଇନ୍ ଉତ୍ତମ ଉତ୍ତାପ ଅପଚୟ ସାମଗ୍ରୀକୁ ସକ୍ଷମ କରେ
4 ଆଲୋକ-ପ୍ରେରିତ ସାମଗ୍ରୀ ଆଚରଣ ତତ୍ତ୍ୱ ଅପ୍ଟିକ୍ସ ଏବଂ ସୁପରକଣ୍ଡକ୍ଟିଭିଟି ବ୍ୟାଖ୍ୟା କରେ କାହିଁକି ଆଲୋକ କିପରି ସାମଗ୍ରୀ କାର୍ଯ୍ୟ କରେ ପରିବର୍ତ୍ତନ କରେ
5 ଘନତାକୁ ଉନ୍ନତ କରିବା କାର୍ଯ୍ୟକ୍ଷମ ତତ୍ତ୍ୱ ସଂଖ୍ୟାତ୍ମକ ପଦ୍ଧତି କମ୍ପ୍ୟୁଟେସନାଲ୍ ମଡେଲିଂ ପରମାଣୁ ଏବଂ ଅଣୁ ମଡେଲିଂ ପାଇଁ ଏକ ମୂଳ କୌଶଳକୁ ଅପଗ୍ରେଡ୍ କରେ
ବିଭାଜନ ଲକ୍ଷ୍ୟ କରନ୍ତୁ: ଦୁଇଟି ସମସ୍ୟା ନୂତନ ତତ୍ତ୍ୱ ଦାବି କରେ, ଏବଂ ତିନୋଟି ନୂତନ ସାଂଖ୍ୟିକ ପଦ୍ଧତି ଦାବି କରେ। ସେହି ମିଶ୍ରଣ ବ୍ୟାଖ୍ୟାମୂଳକ ଅନ୍ତର୍ଦୃଷ୍ଟି ଏବଂ ବ୍ୟବହାରିକ ଗଣନା ଉଭୟକୁ ପରୀକ୍ଷା କରେ।
ଫ୍ରଣ୍ଟିୟର୍ AI ମଡେଲ୍ ଚେଷ୍ଟା କଲେ କ’ଣ ହେଲା?
ସଂକ୍ଷିପ୍ତ ଉତ୍ତର: ସେମାନେ ସଂଘର୍ଷ କଲେ। ଚ୍ୟାଲେଞ୍ଜ ଘୋଷଣା କରିବା ପୂର୍ବରୁ, ଆବିଷ୍କୃତ ସାମଗ୍ରୀ ଫ୍ରଣ୍ଟିୟର୍ ଲ୍ୟାବ୍ ମଡେଲଗୁଡ଼ିକୁ ସେମାନଙ୍କ ଉପରେ ଛାଡ଼ ଦେଇଥାଏ, AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଇଣ୍ଟରନେଟ୍ ଆକ୍ସେସ୍ ଏବଂ ଅନ୍ୟାନ୍ୟ ସମ୍ବଳଗୁଡ଼ିକୁ ଦିନ ପାଇଁ ସ୍ୱାୟତ୍ତ ଭାବରେ କାମ କରିବାକୁ ଦେଇଥାଏ। ମଡେଲମାନେ ଅଧିକ ଅଗ୍ରଗତି ନକରି ପ୍ରତ୍ୟେକ ସମସ୍ୟା ଉପରେ ଅନେକ ଦିନ ବିତାନ୍ତି।
AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ ପାଇଁ ସେହି ପ୍ରାରମ୍ଭିକ ଫଳାଫଳ ଅତ୍ୟନ୍ତ ଚିନ୍ତାଜନକ, କିନ୍ତୁ TechCrunch ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସତର୍କତା ଯୋଡିଛି: ଏହା କଳ୍ପନା କରିବା ସହଜ ଯେ OpenAI କିମ୍ବା Anthropic ବହୁତ ଅଧିକ କମ୍ପ୍ୟୁଟ୍ କିମ୍ବା ଏକ ନୂତନ ମଡେଲ୍ ସହିତ ସମସ୍ୟାଗୁଡ଼ିକୁ ଚେଷ୍ଟା କରୁଛନ୍ତି। ଏକ ବିଫଳ ପ୍ରଥମ ପ୍ରୟାସ ଏକ ସ୍ଥାୟୀ ସୀମା ସ୍ଥିର କରେ ନାହିଁ। ଏହା ଏକ ମୂଳଦୁଆ ସ୍ଥିର କରେ। ଯଦି ପରବର୍ତ୍ତୀ ମଡେଲ୍ ସମାନ ସମସ୍ୟା ଉପରେ ଦୃଶ୍ୟମାନ ପ୍ରଗତି କରେ, ତେବେ ପ୍ରୟାସ ମଧ୍ୟରେ ବ୍ୟବଧାନ ଉନ୍ନତିର ଏକ ମାପଯୋଗ୍ୟ ସଙ୍କେତ ହୋଇଯାଏ।
ଏକ ଯାଞ୍ଚ-ପ୍ରଥମ ପଦ୍ଧତି ବିଜ୍ଞାନକୁ କିପରି ପରିବର୍ତ୍ତନ କରେ?
ପରିଭାଷା। ଏକ ଯାଞ୍ଚ-ପ୍ରଥମ ପଦ୍ଧତି ଅର୍ଥ ହେଉଛି କୌଣସି ଉତ୍ତର ପ୍ରସ୍ତାବିତ ହେବା ପୂର୍ବରୁ, ସେହି ଉତ୍ତରକୁ କିପରି ଯାଞ୍ଚ କରାଯିବ, ତାହା ପୂର୍ବରୁ ସ୍ଥିର କରିବା। ଶ୍ରୀଧର ଏହାକୁ ବିଜ୍ଞାନ ବିଷୟରେ ଚିନ୍ତା କରିବାର ଏକ ନୂତନ ଧାରା ବୋଲି ବର୍ଣ୍ଣନା କରିଛନ୍ତି: ପ୍ରଥମେ ଯାଞ୍ଚ ପ୍ରକ୍ରିୟା ଏବଂ ଆହ୍ୱାନଗୁଡ଼ିକୁ ସ୍ଥିର କରନ୍ତୁ, ତା’ପରେ ସମସ୍ୟାର ସମାଧାନ ବା ବ୍ୟାଖ୍ୟା କରୁଥିବା ଧାରଣାଗୁଡ଼ିକୁ ଅନ୍ୟ କାହା ଦ୍ୱାରା ଆସିବାକୁ ଦିଅନ୍ତୁ।
ବିସ୍ତାର। ପାରମ୍ପାରିକ ଗବେଷଣା ପ୍ରାୟତଃ ଏକ କଳ୍ପିତ ଧାରଣା (hypothesis) ରୁ ଆରମ୍ଭ ହୁଏ ଏବଂ ପ୍ରମାଣ ଖୋଜିଥାଏ। କିନ୍ତୁ AI (କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା) ଏହି ଅର୍ଥନୈତିକ ସମୀକରଣକୁ ବଦଳାଇ ଦେଇଛି। ଯଦି ମଡେଲଗୁଡ଼ିକ ଦ୍ରୁତ ଗତିରେ ସମ୍ଭାବ୍ୟ ସିଦ୍ଧାନ୍ତ ଏବଂ ପଦ୍ଧତି ପ୍ରସ୍ତୁତ କରିପାରନ୍ତି, ତେବେ ମୂଲ୍ୟବାନ ସମ୍ବଳ କେବଳ ‘ଧାରଣା’ (ideas) ନ ହୋଇ, ‘ଉତ୍ତମ ପ୍ରଶ୍ନ’ ଏବଂ ‘ବିଶ୍ୱସନୀୟ ପରୀକ୍ଷଣ’ରେ ପରିଣତ ହୁଏ। ଶ୍ରୀଧର ଉଲ୍ଲେଖ କରିଛନ୍ତି ଯେ, ଏହି କ୍ଷେତ୍ରରେ ସଠିକ୍ ପ୍ରଶ୍ନ ପଚାରିବା କୌଣସି ସାଧାରଣ କଥା ନୁହେଁ; ଏଥିପାଇଁ ହିଁ ଶିକ୍ଷାଗତ ପରାମର୍ଶଦାତାମାନଙ୍କର (academic advisors) ଭୂମିକା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ।
AI-ଆଧାରିତ ପଦାର୍ଥ ବିଜ୍ଞାନ (AI materials science) ପାଇଁ, ଏହା ଏକ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିବର୍ତ୍ତନ। ଶ୍ରୀଧରଙ୍କ ଭାଷାରେ କହିଲେ, ଏହି ପାଞ୍ଚଟି ସମସ୍ୟା ଉପରେ କରାଯାଉଥିବା ପ୍ରୟାସଗୁଡ଼ିକୁ ଲକ୍ଷ୍ୟ କଲେ ଜଣାପଡ଼ିବ ଯେ, “ଏହି କ୍ଷେତ୍ରରେ ମଡେଲଗୁଡ଼ିକ କେତେ ଦୂର ଅଗ୍ରଗତି କରୁଛନ୍ତି।” କୌଣସି ଗୋଟିଏ ମଡେଲର ଘୋଷଣା ଅପେକ୍ଷା, ଏହା ଏକ ଅଧିକ ନିରପେକ୍ଷ ମାନଦଣ୍ଡ ଅଟେ।
ସେମିକଣ୍ଡକ୍ଟର ଶିଳ୍ପ ପାଇଁ ଏହା କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ?
ସଂକ୍ଷିପତ୍ତ ଉତ୍ତର: ଏହି ପାଞ୍ଚଟି ସମସ୍ୟା ମଧ୍ୟରୁ ତିନୋଟି ସିଧାସଳଖ ଚିପ୍ର (chips) ମୌଳିକ ଗଠନ ସହ ଜଡ଼ିତ: ସିଲିକନ୍-ସିଲିକନ୍ ଡାଇଅକ୍ସାଇଡ୍ ଇଣ୍ଟରଫେସ୍ (interface), ଉତ୍ତାପ ନିର୍ଗମନ (heat dissipation), ଏବଂ DFT ମଡେଲିଂ। ସେମିକଣ୍ଡକ୍ଟର କ୍ଷେତ୍ରରେ ହିଁ AI-ଆଧାରିତ ପଦାର୍ଥ ବିଜ୍ଞାନ ଏବଂ ବ୍ୟାପକ ବ୍ୟବସାୟିକ ପୁଞ୍ଜିର ମିଳନ ଘଟିଥାଏ।
‘ଡିସକଭର୍ଡ ମ୍ୟାଟେରିଆଲ୍ସ’ (Discovered Materials) ର ମୁ ‘Discovered Materials’ କିଛି ଜଟିଳ ସମସ୍ୟା ମଧ୍ୟ ଉପସ୍ଥାପନ କରୁଛି, ଯାହାର ସମାଧାନ ପାଇଁ ଯେକେହି ଚେଷ୍ଟା କରିପାରିବେ। ବ୍ୟକ୍ତିଗତ ଉତ୍ପାଦ ବିକାଶ ଏବଂ ସର୍ବସାଧାରଣ ଲକ୍ଷ୍ୟର ଏହି ମିଶ୍ରଣ, AI (କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା) ଆଧାରିତ ପଦାର୍ଥ ବିଜ୍ଞାନ (materials science) କ୍ଷେତ୍ରକୁ ବାହାରୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ସହଜ କରିପାରେ। ଏହା ନିବେଶକ, ଗବେଷକ ଏବଂ କ୍ରେତାମାନଙ୍କୁ ପ୍ରକୃତ ଦକ୍ଷତା ଏବଂ କେବଳ ପ୍ରଚାର (hype) ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ ଜାଣିବାରେ ସାହାଯ୍ୟ କରିବ।
ଏହାର ସୀମାବଦ୍ଧତା ଏବଂ ଅନୁତ୍ତରିତ ପ୍ରଶ୍ନଗୁଡ଼ିକ କ’ଣ?
ଏହି ଘୋଷଣାଟି ଉତ୍ସାହଜନକ, କିନ୍ତୁ ଏଥିରେ କିଛି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଷୟ ସ୍ପଷ୍ଟ କରାଯାଇନାହିଁ। ‘TechCrunch’ ରେ ପ୍ରକାଶିତ ରିପୋର୍ଟ ଆଧାରରେ, ପାଠକମାନେ ନିମ୍ନଲିଖିତ ବିଷୟଗୁଡ଼ିକ ଉପରେ ଧ୍ୟାନ ଦେବା ଉଚିତ୍:
ମୂଲ୍ୟାଙ୍କନ ପ୍ରକ୍ରିୟା: ସମାଧାନଗୁଡ଼ିକୁ କିପରି ଯାଞ୍ଚ କରାଯିବ କିମ୍ବା କିଏ ଏହାର ମୂଲ୍ୟାଙ୍କନ କରିବ, ସେ ବିଷୟରେ କୌଣସି ସୂଚନା ଦିଆଯାଇନାହିଁ। ନିୟମାବଳୀ ଜାଣିବା ପାଇଁ ‘Discovered Materials’ ର ଅଫିସିଆଲ୍ ମାଧ୍ୟମଗୁଡ଼ିକୁ ଦେଖନ୍ତୁ।
ଯୋଗ୍ୟତା: କିଏ ଏଥିରେ ଅଂଶଗ୍ରହଣ କରିପାରିବେ କିମ୍ବା AI ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ସମାଧାନଗୁଡ଼ିକ ଗ୍ରହଣୀୟ ହେବ କି ନାହିଁ, ସେ ବିଷୟରେ କିଛି କୁହାଯାଇନାହିଁ। ତଥାପି, ଶ୍ରୀଧର ସୂଚିତ କରିଛନ୍ତି ଯେ ସମାଧାନ କେଉଁଠାରୁ ଆସିଲା (ମାନବ ନା AI), ତାହା କମ୍ପାନୀ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନୁହେଁ।
ସମାଧାନର ସମ୍ଭାବନା: ଏହି ସମସ୍ୟାଗୁଡ଼ିକ ମଧ୍ୟରୁ କିଛିର ସମାଧାନ ମିଳିବାକୁ ବର୍ଷ ବର୍ଷ ଲାଗିପାରେ। ପୁରସ୍କାର ଘୋଷଣା କରାଯିବା ମାତ୍ରେ ଯେ କୌଣସି ବଡ଼ ସଫଳତା ମିଳିଯିବ, ତାହାର କୌଣସି ନିଶ୍ଚିତତା ନାହିଁ।
ବ୍ୟାପ୍ତି: ମାତ୍ର ପାଞ୍ଚଟି ସମସ୍ୟା ସମଗ୍ର ପଦାର୍ଥ ବିଜ୍ଞାନ କ୍ଷେତ୍ରକୁ ପ୍ରତିନିଧିତ୍ୱ କରିପାରିବ ନାହିଁ। ଏହି ପ୍ରତିଯୋଗିତା କେବଳ ଏକ ସଙ୍କେତ ମାତ୍ର, ସମଗ୍ର କ୍ଷେତ୍ରର ପୂର୍ଣ୍ଣାଙ୍ଗ ମାପକାଠି ନୁହେଁ।
ସଂକ୍ଷେପରେ କହିଲେ, ଏହି ପ୍ରତିଯୋଗିତା ଏହା ପ୍ରମାଣିତ କରେ ନାହିଁ ଯେ AI ଆଧାରିତ ପଦାର୍ଥ ବିଜ୍ଞାନ ନିଶ୍ଚିତ ଭାବରେ ସଫଳ ହେବ; ବରଂ ଏହା ସେହି ସମ୍ଭାବନାକୁ ଯାଞ୍ଚ କରିବ ଶ୍ରୀଧର କହିଛନ୍ତି ଯେ ଉତ୍ତର କମ୍ପାନୀ, ଅନ୍ୟ ଜଣେ ଗବେଷକ, ପ୍ରଫେସର କିମ୍ବା ଫ୍ରଣ୍ଟିୟର୍ AI ଲ୍ୟାବରୁ ଆସିବ କି ନାହିଁ ତାହା କମ୍ପାନୀ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ନୁହେଁ। ଆନୁଷ୍ଠାନିକ ଶବ୍ଦ ପାଇଁ ସରକାରୀ ଘୋଷଣା ଯାଞ୍ଚ କରନ୍ତୁ।
କ’ଣ AI ମଡେଲଗୁଡ଼ିକ ପାଞ୍ଚଟି ସମସ୍ୟା ମଧ୍ୟରୁ କୌଣସି ସମସ୍ୟାର ସମାଧାନ କରିଛନ୍ତି?
ରିପୋର୍ଟିଂ ଅନୁଯାୟୀ ନୁହେଁ। ଫ୍ରଣ୍ଟିୟର୍ ମଡେଲଗୁଡ଼ିକୁ ଇଣ୍ଟରନେଟ୍ ଆକ୍ସେସ୍ ଏବଂ ପ୍ରତ୍ୟେକ ସମସ୍ୟା ଉପରେ ଦିନର ସ୍ୱୟଂଶାସିତ କାର୍ଯ୍ୟ ବିଶେଷ ଅଗ୍ରଗତି କରିପାରି ନାହିଁ।
ସେମିକଣ୍ଡକ୍ଟର ପାଇଁ AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ?
AI ସାମଗ୍ରୀ ବିଜ୍ଞାନ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏହାର କାରଣ ହେଉଛି ଚିପ୍ର କାର୍ଯ୍ୟଦକ୍ଷତା ବିଭିନ୍ନ ଉପାଦାନ (materials) ଉପରେ ନିର୍ଭର କରେ: ଯେପରିକି ସ୍ତରଗୁଡ଼ିକ କିପରି ଯୋଡ଼ି ହୋଇଥାଏ, ଉତ୍ତାପ କିପରି ବାହାରକୁ ବାହାରିଥାଏ ଏବଂ ସିମୁଲେସନ୍ (କମ୍ପ୍ୟୁଟର ଆଧାରିତ ଅନୁକରଣ) ସମୟରେ ପରମାଣୁଗୁଡ଼ିକ କିପରି ଆଚରଣ କରନ୍ତି। ଏହି ଉପାଦାନଗୁଡ଼ିକ ବିଷୟରେ ଦ୍ରୁତ ଗବେଷଣା ଏବଂ ଅଧିକ ସଠିକ୍ ମଡେଲିଂ (ନମୁନା ପ୍ରସ୍ତୁତି) ଦ୍ୱାରା ଉନ୍ନତ ଚିପ୍ ବିକାଶ ପ୍ରକ୍ରିୟାକୁ ତ୍ୱରାନ୍ୱିତ କରାଯାଇପାରିବ।
‘ଡିସକଭର୍ଡ ମ୍ୟାଟେରିଆଲ୍ସ’ (Discovered Materials) କ’ଣ?
ଏହା ‘ୱାଇ କମ୍ବିନେଟର’ (Y Combinator) ସହିତ ଜଡ଼ିତ ଏକ ଷ୍ଟାର୍ଟଅପ୍ (୨୦୨୬ ବସନ୍ତ ବ୍ୟାଚ୍ର ଅଂଶ), ଯାହା ଉନ୍ନତ ଚିପ୍ ପାଇଁ ନୂତନ ପଦାର୍ଥ ଖୋଜିବା ନିମନ୍ତେ AI (କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା) ମଡେଲଗୁଡ଼ିକର ବ୍ୟବହାର କରିଥାଏ। ଏହା ବିଭିନ୍ନ ଚିପ୍ ନିର୍ମାଣକାରୀ କମ୍ପାନୀ ସହିତ ସହଯୋଗ କରେ ଏବଂ ନିଜର ଗବେଷଣା ପାଇଁ ନିଜେ ପାଣ୍ଠି ଯୋଗାଡ଼ କରିଥାଏ।
‘ଡେନସିଟି ଫଙ୍କସନାଲ୍ ଥିଓରୀ’ (Density Functional Theory) କ’ଣ?
‘ଡେନସିଟି ଫଙ୍କସନାଲ୍ ଥିଓରୀ’ ହେଉଛି ପରମାଣୁ ଏବଂ ଅଣୁଗୁଡ଼ିକର ଗଠନକୁ ମଡେଲିଂ କରିବା ପାଇଁ ଏକ ପ୍ରମୁଖ କମ୍ପ୍ୟୁଟେସନାଲ୍ (ଗଣନାତ୍ମକ) ପଦ୍ଧତି। ପଦାର୍ଥ ବିଜ୍ଞାନ (materials science) କ୍ଷେତ୍ରରେ ଏହାର ବ୍ୟାପକ ବ୍ୟବହାର ରହିଛି, ଯେଉଁ କାରଣରୁ ଏହାର ଉନ୍ନତି ସାଧନ କରିବା ଏହି ପାଞ୍ଚଟି ଆହ୍ୱାନ ମଧ୍ୟରୁ ଅନ୍ୟତମ।
ଉପସଂହାର: ଏକ ନୂତନ ପ୍ରକାରର ବିଜ୍ଞାନ ପାଇଁ ଏକ ସ୍କୋରବୋର୍ଡ
‘ଡିସକଭର୍ଡ ମ୍ୟାଟେରିଆଲ୍ସ’ ଆହ୍ୱାନଟି ଏପରି ଏକ କାର୍ଯ୍ୟ କରୁଛି ଯାହାର ଏହି କ୍ଷେତ୍ରରେ ଅଭାବ ଥିଲା: ଏହା ଏକ ଅସ୍ପଷ୍ଟ ପ୍ରଶ୍ନକୁ — ଯେପରିକି “AI କ’ଣ ପଦାର୍ଥ ବିଜ୍ଞାନ କ୍ଷେତ୍ରରେ ଅଧିକ ଦକ୍ଷ ହେଉଛି?” — ପାଞ୍ଚଟି ନିର୍ଦ୍ଦିଷ୍ଟ, କଠିନ ଏବଂ ଯାଞ୍ଚଯୋଗ୍ୟ ଲକ୍ଷ୍ୟରେ ପରିଣତ କରେ। ଅତ୍ୟାଧୁନିକ AI ମଡେଲଗୁଡ଼ିକ (frontier models) ବର୍ତ୍ତମାନ ସୁଦ୍ଧା ଏଗୁଡ଼ିକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ସମାଧାନ କରିପାରି ନାହାନ୍ତି, କିନ୍ତୁ ଏହି ଆହ୍ୱାନଟି ପ୍ରଗତି ଉପରେ ନଜର ରଖିବା ପାଇଁ ତିଆରି କରାଯାଇଛି।