در پی هوش مصنوعی مولد، تقاضای بی سابقه برای داده ها و قدرت محاسباتی از قابلیت ها پیشی گرفته است. این در حال رانندگی است بازگشت صنعت نیمه هادی به رشد اما بدون تراشه های بهتر، مرحله بعدی پیشرفت آشکار نخواهد شد. برای رسیدن به این هدف، ما به مواد جدیدی نیاز داریم که بتوانند دستگاه‌های با کارایی بالاتر را فعال کنند.
نقاط عطف در روش های تحقیق مواد
به طور سنتی، کشف مواد جدید برای تراشه‌های نیمه‌رسانا به فرآیندهای سخت، تکراری، زمان‌بر و پرهزینه سنتز و آزمایش آزمایشگاهی بین سازندگان نیمه‌رسانا، سازندگان ابزار و تامین‌کنندگان مواد متکی است. با توجه به اینکه هوش مصنوعی تقاضا برای نیمه هادی ها را به سطوح بی سابقه ای سوق می دهد، این مدل برای پاسخگویی به تقاضا برای معرفی سریع، بهینه سازی شده و کارآمد و مقیاس بندی فناوری دستگاه و مواد در سطوح بالاتر انتزاع به چالش کشیده می شود.
چالش‌های کنونی فناوری، تامین‌کنندگان مواد را ملزم می‌کند تا راه‌حل‌های نوآورانه جدیدی را برای پاسخگویی به پیچیدگی بی‌سابقه معماری‌های تراشه‌ها معرفی کنند، که آنها را به سوی سرعت بخشیدن به توسعه و یادگیری سوق می‌دهد. تامین کنندگان مواد به طور منحصر به فردی برای پیشروی این تلاش ها برای سرعت بخشیدن به نوآوری قرار دارند و در عین حال به کاهش خطرات مرتبط با معرفی مواد جدید کمک می کنند.
هوش مصنوعی را برای کشف مواد و هوش وارد کنید
پیشرفت‌های هیجان‌انگیزی برای ایجاد انقلابی در کشف مواد با شناسایی مواد جدید و بهینه‌سازی هوش مواد برای بهره‌وری بیشتر در حال انجام است. دانشمندان و مهندسان از پیشرفته‌ترین ابزارهای دیجیتالی – هوش مصنوعی، یادگیری ماشینی و غیره – همراه با قابلیت‌های پیچیده استفاده می‌کنند که به شرکت‌های زنجیره تامین نیمه‌رسانا اجازه می‌دهد تا آزمایش، اعتبارسنجی، نوآوری و تسریع قابلیت‌های هوش مصنوعی و یادگیری ماشینی را انجام دهند.
این تمرکز بر بهینه‌سازی مشترک دستگاه‌ها و مواد با استفاده از قابلیت‌های آزمایش دستگاه پیشرفته، پتانسیل هوش مصنوعی را در اکتشافات علمی مهار می‌کند. این به نوبه خود باعث پیشرفت بیشتر هوش مصنوعی و سرعت بخشیدن به نوآوری در زمینه های مختلف می شود.
هوش مصنوعی مولد برای مدل‌سازی مولکول‌ها و فرمول‌های جدید به گونه‌ای استفاده می‌شود که قبلاً دیده نشده بود تا از کشف شیمی و علم مولکولی استفاده کند. علاوه بر این، می تواند رفتارهای مواد را در شرایط مختلف پیش بینی کند، ترکیبات بهینه مواد را برای کاربردهای خاص شناسایی کند و کارایی تولید را افزایش دهد. نوآوری‌های جدید همچنین منجر به توسعه دستگاه‌های کارآمدتر برای فعال کردن هوش مصنوعی می‌شوند، به عنوان مثال، از طریق مهندسی پشته خازن DRAM و اچ کردن لایه اتمی (ALE).
در عصر جدید فناوری دستگاه، نوآوری دیگر صرفاً با اندازه دستگاه تعیین نمی شود، بلکه با توانایی ایجاد هوش بیشتر در مواد و از طریق پیشرفت های معماری مانند محاسبات الهام گرفته از عصبی تعیین می شود. استفاده از داده‌ها و هوش مصنوعی، تصمیم‌گیری مطمئن در طراحی اتم به اتم مواد جدید را در کل جریان کار تحقیق و توسعه – از ایده‌پردازی تا آزمایش، امکان‌پذیر می‌سازد. نتیجه: تراشه‌های بهتر، سریع‌تر و هوشمندتر برای قدرت بخشیدن به انقلاب هوش مصنوعی.
منبع: https://aibusiness.com/industrial-manufacturing/ai-semiconductor-chips-need-ai-superpowers