මහා පරිමාණ භාෂා ආකෘති (LLMs) මෘදුකාංග කේතකරණය, ගණිතය සහ සංකීර්ණ තර්කනය වැනි ඩිජිටල් ක්ෂේත්‍රයන් තුළ දැවැන්ත විප්ලවයක් සිදු කර ඇතත්, භෞතික ලෝකය තුළ තවමත් එවැනි කැපී පෙනෙන බලපෑමක් කිරීමට ඒවාට නොහැකි වී තිබේ. ඊට හේතුව සරල ය: මෘදුකාංගවලට ක්ෂණිකව පිළිතුරු සත්‍යාපනය කළ හැකි “පිළිතුරු පත්‍රයක්” (answer key) ඇති නමුත්, භෞතික ලෝකයට සැබෑ භෞතික අත්හදා බැලීම් අවශ්‍ය වේ. මේ වන විට, OpenAI සහ Google DeepMind හි හිටපු ප්‍රධානීන් දෙදෙනෙකු එම හිඩැස පිරවීම සඳහා අවශ්‍ය යටිතල පහසුකම් ගොඩනඟමින් සිටින අතර, ඔවුන් “සංශ්ලේෂණ සුපිරි බුද්ධියක්” (synthesis superintelligence) ලෙස හඳුන්වන, ද්‍රව්‍ය (matter) සෘජුවම සැලසුම් කළ හැකි පද්ධතියක් නිර්මාණය කිරීමට කටයුතු කරමින් සිටිති.

“සිතිවිලිවාදයේ” (Thinkism) සීමාවන්

OpenAI හි හිටපු පශ්චාත්-පුහුණු ප්‍රධානී (Post-Training Lead) සහ ChatGPT හි සම-නිර්මාතෘවරයෙකු වන ලියම් ෆෙඩස් (Liam Fedus) සහ Google DeepMind හි හිටපු පර්යේෂණ විද්‍යාඥයෙකු වන ඩෝගුස් චුබුක් (Dogus Chubuk) විසින් ‘Periodic Labs’ නමින් නව සමාගමක් ආරම්භ කර ඇත්තේ AI සංවර්ධනයේ පවතින මෙම මූලික බාධකය ඉලක්ක කරගනිමිනි.

වත්මන් AI ආකෘති, නිර්මාතෘවරුන් විසින් “සිතිවිලිවාදය” (Thinkism) ලෙස හඳුන්වන ක්‍රමවේදය මත දැඩි ලෙස රඳා පවතී. එනම්, AI ආකෘතියක් පවතින සාහිත්‍යය සහ පොතපත මත පමණක් දිගු වේලාවක් සිතුවහොත්, එය ස්වයංක්‍රීයව අධි-උෂ්ණත්ව සුපිරි සන්නායක (high-temperature superconductors) වැනි නව සොයාගැනීම් සිදුකරනු ඇතැයි සිතීමයි. ෆෙඩස් සහ චුබුක් තර්ක කරන්නේ මෙම ප්‍රවේශය ස්වභාවයෙන්ම අසම්පූර්ණ බවයි. විද්‍යාව යනු නොදන්නා දේ සොයා යාමකි; එයට අතීත අත්හදා බැලීම්වල අවසාන ප්‍රකාශිත ප්‍රතිඵල මත පමණක් රඳා පැවතිය නොහැක. අලුත්ම ඥානයක් නිර්මාණය කිරීමට නම්, AI විසින් සැබෑ භෞතික පරීක්ෂණ සිදුකළ යුතුය, අසාර්ථක විය යුතුය, එම දත්තවලින් ඉගෙන ගත යුතුය, සහ වැරදි නිවැරදි කරගැනීමේ ක්‍රියාවලියක (error-correction loop) නිරත විය යුතුය. මෙය මීට පෙර මිනිස් විද්‍යාඥයින්ට පමණක් සීමා වූ ක්‍රියාවලියකි.

භෞතික රසායනාගාරය මෙහෙයවීම

Periodic Labs විසින් AI ආකෘතියක් හුදෙක් විද්‍යාව ගැන කියවනවා වෙනුවට, එය සෘජුවම ක්‍රියාවට නංවන පූර්ණ (end-to-end) යටිතල පහසුකමක් ගොඩනඟමින් සිටී.

• බුද්ධිමත් සංශ්ලේෂණය (Intelligent Synthesis): පූර්වගාමී කුඩු (precursor powders) මිශ්‍ර කළ යුතු ආකාරය AI විසින් තීරණය කරන අතර, සම්පූර්ණයෙන්ම නව ද්‍රව්‍ය නිපදවීම සඳහා අවශ්‍ය නිවැරදි උෂ්ණත්ව මට්ටම් සහ පීඩන වැනි සැකසුම් තත්ත්වයන් තීරණය කරයි.
• විෂය ක්ෂේත්‍ර යා කිරීම (Bridging Disciplines): ඉතිහාසය පුරාම, පරිගණක අනුකරණ (computer simulation) විශේෂඥයින් සහ භෞතික අත්හදා බැලීම් (physical experimentation) විශේෂඥයින් කටයුතු කළේ එකිනෙකට වෙන් වූ කොටස් වශයෙනි. නමුත් Periodic හි AI ආකෘතිය මෙම දෙපාර්ශ්වයම යා කරන පාලමක් ලෙස ක්‍රියා කරයි. එය ආචාර්ය උපාධි (PhD) මට්ටමේ අනුකරණයන් ධාවනය කරන අතරම, X-ray විවර්තන රටා (X-ray diffraction patterns) කියවීම වැනි පර්යේෂණ දත්ත විශ්ලේෂණයන් ද සිදු කරයි.
• විද්‍යාව සඳහා “චින්තන දාමයක්” (Chain of Thought for Science): සාර්ථක ප්‍රතිඵල පමණක් පළ කරන සාමාන්‍ය විද්‍යාත්මක ලේඛන මෙන් නොව, Periodic Labs විසින් සම්පූර්ණ පරීක්ෂණ ක්‍රියාවලියම—එනම් උපකල්පන, පරිගණක අනාවැකි, රොබෝ මෙහෙයුම් සහ භෞතික ප්‍රතිඵල—සියල්ල ලේඛනගත කරයි. මෙම සුවිශේෂී දත්ත පද්ධතිය AI සඳහා ඉතා ප්‍රබල ශක්තිමත් කිරීමේ ඉගෙනුම් (reinforcement learning) පරිසරයක් නිර්මාණය කරයි.

ඉලක්කය: අධි-උෂ්ණත්ව සුපිරි සන්නායක (High-Temperature Superconductors)

මෙම රසායනාගාර යටිතල පහසුකම පොදු කාර්යයන් සඳහා භාවිත කළ හැකි වුවද, Periodic හි පළමු ප්‍රධාන ඉලක්කය වන්නේ අධි-උෂ්ණත්ව සුපිරි සන්නායක (high-temperature superconductors) නිපදවීමයි. සුපිරි සන්නායක යනු ද්‍රව්‍ය විද්‍යාවේ “ශුද්ධ වූ කුසලානය” (holy grail) වන අතර, එය පාඩුවකින් තොරව බලශක්ති සම්ප්‍රේෂණය, දියුණු ක්වොන්ටම් පරිගණක සහ වාණිජමය ෆියුෂන් (fusion) වැනි අනාගත තාක්ෂණයන් සඳහා මග පාදයි.

මීට අමතරව, ඉදිරියේදී සිදුවීමට නියමිත දැවැන්ත ආර්ථික වෙනසක් ද නිර්මාතෘවරුන් පෙන්වා දෙති. ඖෂධ ක්ෂේත්‍රයේ සොයාගැනීම්වල බුද්ධිමය දේපළ (IP) සඳහා ඩොලර් බිලියන ගණනක වටිනාකමක් හිමිවන්නා සේම, ද්‍රව්‍ය විද්‍යා ක්ෂේත්‍රයද එවැනිම තීරණාත්මක සන්ධිස්ථානයකට පැමිණෙමින් තිබේ. සොයාගැනීමේ සිට භෞතික නිෂ්පාදනය දක්වා වූ ක්‍රියාවලිය එකම ජාලයකට සම්බන්ධ කිරීමෙන්, රසායනාගාර ද්‍රව්‍යයක් කාර්මික තාක්ෂණයක් බවට පත්වීමට සාමාන්‍යයෙන් ගතවන “වසර 20ක කාලය” (20-year bottleneck) විශාල වශයෙන් කෙටි කිරීමට Periodic Labs බලාපොරොත්තු වේ.

ඩිජිටල් ක්ෂේත්‍රය එකිනෙකා අනුකරණය කරන AI ආකෘතිවලින් පිරී යද්දී, භෞතික ක්ෂේත්‍රය තවමත් පුළුල්ව විවෘතව පවතී. කෘත්‍රිම බුද්ධියේ තර්කන හැකියාව සෘජුවම රොබෝ රසායනාගාර වෙත සම්බන්ධ කිරීමෙන්, Periodic Labs විසින් AI ආකෘතියක් හුදෙක් විද්‍යාවේ වත්මන් තත්ත්වය ගැන පුහුණු කරනවා වෙනුවට, “විද්‍යාව කරන ආකාරය” (process of science) පිළිබඳවම එය පුහුණු කරමින් සිටී.