ಸೌರ ಕೋಶಗಳು ಮತ್ತು ಇತರ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಘಟಕಗಳ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಹೊಸ ಅರೆವಾಹಕ ವಸ್ತುಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ವಿಜ್ಞಾನಿಗಳು ಶ್ರಮಿಸುತ್ತಿದ್ದಾರೆ. ಆದರೆ ಸಂಶೋಧಕರು ವಸ್ತುಗಳ ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಅಳೆಯುವ ವೇಗದಿಂದ ನಾವೀನ್ಯತೆಯ ವೇಗವನ್ನು ತಡೆಹಿಡಿಯಲಾಗುತ್ತದೆ.
MIT ಸಂಶೋಧಕರು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ ರೊಬೊಟಿಕ್ ವ್ಯವಸ್ಥೆಯು ವಿಷಯಗಳನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.
ಅವರ ವ್ಯವಸ್ಥೆಯು ಫೋಟೊಕಂಡಕ್ಟಿವಿಟಿ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಪ್ರಮುಖ ವಿದ್ಯುತ್ ಆಸ್ತಿಯನ್ನು ಅಳೆಯಲು ರೋಬೋಟಿಕ್ ಪ್ರೋಬ್ ಅನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ವಸ್ತುವು ಬೆಳಕಿನ ಉಪಸ್ಥಿತಿಗೆ ಎಷ್ಟು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ.
ಸಂಶೋಧಕರು ಮಾನವ ಪರಿಣಿತರಿಂದ ವಸ್ತು ವಿಜ್ಞಾನದ ಜ್ಞಾನವನ್ನು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗೆ ಚುಚ್ಚುತ್ತಾರೆ, ಅದು ರೋಬೋಟ್ನ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಮಾರ್ಗದರ್ಶಿಸುತ್ತದೆ. ಇದು ಫೋಟೊಕಂಡಕ್ಟಿವಿಟಿ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಲು ಪ್ರೋಬ್ನೊಂದಿಗೆ ವಸ್ತುವನ್ನು ಸಂಪರ್ಕಿಸಲು ಉತ್ತಮ ಸ್ಥಳಗಳನ್ನು ಗುರುತಿಸಲು ರೋಬೋಟ್ಗೆ ಅನುಮತಿಸುತ್ತದೆ, ಆದರೆ ವಿಶೇಷವಾದ ಯೋಜನಾ ವಿಧಾನವು ಸಂಪರ್ಕ ಬಿಂದುಗಳ ನಡುವೆ ಚಲಿಸುವ ವೇಗವಾದ ಮಾರ್ಗವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.
24-ಗಂಟೆಗಳ ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ, ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ ರೊಬೊಟಿಕ್ ತನಿಖೆಯು ಪ್ರತಿ ಗಂಟೆಗೆ 125 ಕ್ಕೂ ಹೆಚ್ಚು ಅನನ್ಯ ಅಳತೆಗಳನ್ನು ಮಾಡಿತು, ಇತರ AI- ಆಧಾರಿತ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರತೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯೊಂದಿಗೆ.
ಹೊಸ ಅರೆವಾಹಕ ವಸ್ತುಗಳ ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ವಿಜ್ಞಾನಿಗಳು ನಿರೂಪಿಸುವ ವೇಗವನ್ನು ನಾಟಕೀಯವಾಗಿ ಹೆಚ್ಚಿಸುವ ಮೂಲಕ, ಈ ವಿಧಾನವು ಹೆಚ್ಚು ವಿದ್ಯುತ್ ಉತ್ಪಾದಿಸುವ ಸೌರ ಫಲಕಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ.
“ಏಕೆಂದರೆ ಈ ಕೆಲಸವು ನಂಬಲಾಗದಷ್ಟು ಉತ್ತೇಜಕವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಸ್ವಾಯತ್ತ, ಸಂಪರ್ಕ-ಆಧಾರಿತ ಗುಣಲಕ್ಷಣ ವಿಧಾನಗಳಿಗೆ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ. ವಸ್ತುವಿನ ಎಲ್ಲಾ ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಂಪರ್ಕವಿಲ್ಲದೆ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ. ನಿಮ್ಮ ಮಾದರಿಯೊಂದಿಗೆ ನೀವು ಸಂಪರ್ಕವನ್ನು ಮಾಡಬೇಕಾದರೆ, ನೀವು ಅದನ್ನು ವೇಗವಾಗಿರಲು ಬಯಸುತ್ತೀರಿ ಮತ್ತು ನೀವು ಪಡೆಯುವ ಮಾಹಿತಿಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ನೀವು ಬಯಸುತ್ತೀರಿ,” ಟೋನಿಯೊ ಬ್ಯೂನಾಸಿಸಿ ಹೇಳುತ್ತಾರೆ.
ಅವರ ಸಹ-ಲೇಖಕರಲ್ಲಿ ಪ್ರಮುಖ ಲೇಖಕ ಅಲೆಕ್ಸಾಂಡರ್ (ಅಲೆಕ್ಸ್) ಸೀಮೆನ್, ಪದವಿ ವಿದ್ಯಾರ್ಥಿ; ಪೋಸ್ಟ್ಡಾಕ್ಸ್ ಬಸಿತಾ ದಾಸ್ ಮತ್ತು ಕಾಂಗ್ಯು ಜಿ; ಮತ್ತು ಪದವಿ ವಿದ್ಯಾರ್ಥಿ ಫಾಂಗ್ ಶೆಂಗ್. ಪತ್ರಿಕೆ ಇಂದು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ ವಿಜ್ಞಾನದಲ್ಲಿ ಪ್ರಗತಿ.
ಸಂಪರ್ಕವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತಿದೆ
2018 ರಿಂದ, ಬ್ಯೂನಾಸಿಸಿಯ ಪ್ರಯೋಗಾಲಯದ ಸಂಶೋಧಕರು ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ ವಸ್ತುಗಳ ಅನ್ವೇಷಣೆ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದಾರೆ. ಸೌರ ಫಲಕಗಳಂತಹ ದ್ಯುತಿವಿದ್ಯುಜ್ಜನಕಗಳಲ್ಲಿ ಬಳಸಲಾಗುವ ಅರೆವಾಹಕ ವಸ್ತುಗಳ ಒಂದು ವರ್ಗವಾದ ಹೊಸ ಪೆರೋವ್ಸ್ಕೈಟ್ಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದರ ಮೇಲೆ ಅವರು ಇತ್ತೀಚೆಗೆ ಗಮನಹರಿಸಿದ್ದಾರೆ.
ಹಿಂದಿನ ಕೆಲಸದಲ್ಲಿ, ಅವರು ಪೆರೋವ್ಸ್ಕೈಟ್ ವಸ್ತುಗಳ ವಿಶಿಷ್ಟ ಸಂಯೋಜನೆಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಸಂಶ್ಲೇಷಿಸಲು ಮತ್ತು ಮುದ್ರಿಸಲು ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು. ವಸ್ತುಗಳ ಕೆಲವು ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಅವರು ಚಿತ್ರ ಆಧಾರಿತ ವಿಧಾನಗಳನ್ನು ಸಹ ವಿನ್ಯಾಸಗೊಳಿಸಿದರು.
ಆದರೆ ಫೋಟೊಕಂಡಕ್ಟನ್ಸ್ ಅನ್ನು ವಸ್ತುವಿನ ಮೇಲೆ ತನಿಖೆ ಇರಿಸುವ ಮೂಲಕ, ಅದರ ಮೇಲೆ ಬೆಳಕನ್ನು ಬೆಳಗಿಸುವ ಮೂಲಕ ಮತ್ತು ವಿದ್ಯುತ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಅಳೆಯುವ ಮೂಲಕ ಅತ್ಯಂತ ನಿಖರವಾಗಿ ನಿರೂಪಿಸಲಾಗಿದೆ.
“ನಮ್ಮ ಪ್ರಾಯೋಗಿಕ ಪ್ರಯೋಗಾಲಯವನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಮತ್ತು ನಿಖರವಾಗಿ ಚಲಾಯಿಸಲು ಸಕ್ರಿಯಗೊಳಿಸಲು, ಸಂಪೂರ್ಣ ಕಾರ್ಯವಿಧಾನವನ್ನು ಚಲಾಯಿಸಲು ಅಗತ್ಯವಿರುವ ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವಾಗ ಉತ್ತಮ ಅಳತೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಪರಿಹಾರದೊಂದಿಗೆ ನಾವು ಬರಬೇಕಾಯಿತು” ಎಂದು ಸೀಮೆನ್ ಹೇಳುತ್ತಾರೆ.
ಇದಕ್ಕೆ ಯಂತ್ರ ಕಲಿಕೆ, ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು ಮೆಟೀರಿಯಲ್ ಸೈನ್ಸ್ ಅನ್ನು ಒಂದೇ ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಏಕೀಕರಿಸುವ ಅಗತ್ಯವಿದೆ.
ಪ್ರಾರಂಭಿಸಲು, ರೊಬೊಟಿಕ್ ಸಿಸ್ಟಮ್ ಆನ್ಬೋರ್ಡ್ ಕ್ಯಾಮೆರಾವನ್ನು ಅದರ ಮೇಲೆ ಮುದ್ರಿತ ಪೆರೋವ್ಸ್ಕೈಟ್ ವಸ್ತುಗಳೊಂದಿಗೆ ಸ್ಲೈಡ್ನ ಚಿತ್ರವನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಳಸುತ್ತದೆ.
ನಂತರ ಇದು ಆ ಚಿತ್ರವನ್ನು ಭಾಗಗಳಾಗಿ ಕತ್ತರಿಸಲು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಇದನ್ನು ನರಮಂಡಲದ ಮಾದರಿಗೆ ನೀಡಲಾಗುತ್ತದೆ, ಇದನ್ನು ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಮತ್ತು ವಸ್ತು ವಿಜ್ಞಾನಿಗಳಿಂದ ಡೊಮೇನ್ ಪರಿಣತಿಯನ್ನು ಸಂಯೋಜಿಸಲು ವಿಶೇಷವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
“ಈ ರೋಬೋಟ್ಗಳು ನಮ್ಮ ಕಾರ್ಯಾಚರಣೆಗಳ ಪುನರಾವರ್ತನೀಯತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು, ಆದರೆ ಲೂಪ್ನಲ್ಲಿ ಇನ್ನೂ ಮಾನವನನ್ನು ಹೊಂದಿರುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಈ ರಾಸಾಯನಿಕ ತಜ್ಞರಿಂದ ಶ್ರೀಮಂತ ಜ್ಞಾನವನ್ನು ನಮ್ಮ ರೋಬೋಟ್ಗಳಲ್ಲಿ ಅಳವಡಿಸಲು ನಮಗೆ ಉತ್ತಮ ಮಾರ್ಗವಿಲ್ಲದಿದ್ದರೆ, ನಾವು ಹೊಸ ವಸ್ತುಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ,” ಎಂದು ಸೀಮೆನ್ ಹೇಳುತ್ತಾರೆ.
ಮಾದರಿಯ ಆಕಾರ ಮತ್ತು ಅದರ ವಸ್ತು ಸಂಯೋಜನೆಯ ಆಧಾರದ ಮೇಲೆ ತನಿಖೆಗಾಗಿ ಸೂಕ್ತ ಸಂಪರ್ಕ ಬಿಂದುಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಮಾದರಿಯು ಈ ಡೊಮೇನ್ ಜ್ಞಾನವನ್ನು ಬಳಸುತ್ತದೆ. ಈ ಟಚ್ ಪಾಯಿಂಟ್ಗಳನ್ನು ರೂಟ್ ಪ್ಲಾನರ್ಗೆ ನೀಡಲಾಗುತ್ತದೆ, ಅದು ಎಲ್ಲಾ ಬಿಂದುಗಳನ್ನು ತಲುಪಲು ತನಿಖೆಗೆ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಮಾರ್ಗವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.
ಈ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನದ ಹೊಂದಾಣಿಕೆಯು ವಿಶೇಷವಾಗಿ ಮುಖ್ಯವಾಗಿದೆ ಏಕೆಂದರೆ ಮುದ್ರಿತ ಮಾದರಿಗಳು ವೃತ್ತಾಕಾರದ ಹನಿಗಳಿಂದ ಜೆಲ್ಲಿ ತರಹದ ರಚನೆಗಳವರೆಗೆ ಅನನ್ಯ ಆಕಾರಗಳನ್ನು ಹೊಂದಿವೆ.
“ಇದು ಬಹುತೇಕ ಸ್ನೋಫ್ಲೇಕ್ಗಳನ್ನು ಅಳೆಯುವಂತಿದೆ – ಒಂದೇ ರೀತಿಯ ಎರಡನ್ನು ಪಡೆಯುವುದು ಕಷ್ಟ” ಎಂದು ಬುನಾಸ್ಸಿಸಿ ಹೇಳುತ್ತಾರೆ.
ಪಥ ಯೋಜಕವು ಕಡಿಮೆ ಮಾರ್ಗವನ್ನು ಕಂಡುಕೊಂಡ ನಂತರ, ಅದು ರೋಬೋಟ್ನ ಮೋಟರ್ಗಳಿಗೆ ಸಂಕೇತಗಳನ್ನು ಕಳುಹಿಸುತ್ತದೆ, ಇದು ತನಿಖೆಯನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಸಂಪರ್ಕ ಬಿಂದುಗಳಲ್ಲಿ ತ್ವರಿತ ಅನುಕ್ರಮವಾಗಿ ಅಳತೆಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ಈ ವಿಧಾನದ ವೇಗದ ಕೀಲಿಯು ನರಮಂಡಲದ ಮಾದರಿಯ ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಸ್ವರೂಪವಾಗಿದೆ. ಮಾದರಿ ಚಿತ್ರದ ಮೇಲೆ ನೇರವಾಗಿ ಸೂಕ್ತವಾದ ಸಂಪರ್ಕ ಬಿಂದುಗಳನ್ನು ಮಾದರಿಯು ನಿರ್ಧರಿಸುತ್ತದೆ – ಲೇಬಲ್ ಮಾಡಲಾದ ತರಬೇತಿ ಡೇಟಾದ ಅಗತ್ಯವಿಲ್ಲದೆ.
ಮಾರ್ಗ ಯೋಜನೆ ವಿಧಾನವನ್ನು ಸುಧಾರಿಸುವ ಮೂಲಕ ಸಂಶೋಧಕರು ವ್ಯವಸ್ಥೆಯನ್ನು ವೇಗಗೊಳಿಸಿದರು. ಅಲ್ಗಾರಿದಮ್ಗೆ ಸಣ್ಣ ಪ್ರಮಾಣದ ಶಬ್ದ ಅಥವಾ ಯಾದೃಚ್ಛಿಕತೆಯನ್ನು ಸೇರಿಸುವುದು ಕಡಿಮೆ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು.
“ನಾವು ಸ್ವಾಯತ್ತ ಲ್ಯಾಬ್ಗಳ ಈ ಯುಗಕ್ಕೆ ಹೋಗುತ್ತಿರುವಾಗ, ನಿಮಗೆ ನಿಜವಾಗಿಯೂ ಈ ಎಲ್ಲಾ ಮೂರು ಅನುಭವಗಳು ಬೇಕಾಗುತ್ತವೆ-ಕಟ್ಟಡದ ಹಾರ್ಡ್ವೇರ್, ಸಾಫ್ಟ್ವೇರ್, ಮತ್ತು ವಸ್ತುಗಳ ವಿಜ್ಞಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು-ಒಂದೇ ತಂಡದಲ್ಲಿ ತ್ವರಿತವಾಗಿ ಆವಿಷ್ಕರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಮತ್ತು ಅದು ಇಲ್ಲಿ ರಹಸ್ಯ ಸಾಸ್ನ ಭಾಗವಾಗಿದೆ,” ಬುನಾಸ್ಸಿಸಿ ಹೇಳುತ್ತಾರೆ.
ಶ್ರೀಮಂತ ಡೇಟಾ, ವೇಗದ ಫಲಿತಾಂಶಗಳು
ಅವರು ಮೊದಲಿನಿಂದ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಿದ ನಂತರ, ಸಂಶೋಧಕರು ಪ್ರತಿ ಘಟಕವನ್ನು ಪರೀಕ್ಷಿಸಿದರು. ಏಳು ಇತರ AI-ಆಧಾರಿತ ವಿಧಾನಗಳಿಗಿಂತ ಕಡಿಮೆ ಕಂಪ್ಯೂಟೇಶನ್ ಸಮಯದೊಂದಿಗೆ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿಯು ಉತ್ತಮ ಸಂಪರ್ಕ ಬಿಂದುಗಳನ್ನು ಕಂಡುಕೊಂಡಿದೆ ಎಂದು ಅವರ ಫಲಿತಾಂಶಗಳು ತೋರಿಸಿವೆ. ಇದಲ್ಲದೆ, ಮಾರ್ಗ ಯೋಜನೆ ಅಲ್ಗಾರಿದಮ್ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಕಡಿಮೆ ಮಾರ್ಗ ಯೋಜನೆಗಳನ್ನು ಸ್ಥಿರವಾಗಿ ಕಂಡುಕೊಂಡಿದೆ.
ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ 24-ಗಂಟೆಗಳ ಪ್ರಯೋಗವನ್ನು ನಿರ್ವಹಿಸಲು ಅವರು ಎಲ್ಲಾ ತುಣುಕುಗಳನ್ನು ಒಟ್ಟಿಗೆ ಸೇರಿಸಿದಾಗ, ರೋಬೋಟಿಕ್ ವ್ಯವಸ್ಥೆಯು ಗಂಟೆಗೆ 125 ಕ್ಕಿಂತ ಹೆಚ್ಚು ದರದಲ್ಲಿ 3,000 ಕ್ಕೂ ಹೆಚ್ಚು ವಿಶಿಷ್ಟವಾದ ದ್ಯುತಿವಾಹಕ ಮಾಪನಗಳನ್ನು ಮಾಡಿತು.
ಹೆಚ್ಚುವರಿಯಾಗಿ, ಈ ನಿಖರವಾದ ಮಾಪನ ವಿಧಾನದಿಂದ ಒದಗಿಸಲಾದ ವಿವರಗಳ ಮಟ್ಟವು ಸಂಶೋಧಕರು ಹೆಚ್ಚಿನ ದ್ಯುತಿವಾಹಕತೆಯ ಹಾಟ್ ಸ್ಪಾಟ್ಗಳು ಮತ್ತು ವಸ್ತುವಿನ ಅವನತಿಯ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು.
“ಮಾನವ ಮಾರ್ಗದರ್ಶನದ ಅಗತ್ಯವಿಲ್ಲದೇ ಅಂತಹ ವೇಗದ ದರದಲ್ಲಿ ಸೆರೆಹಿಡಿಯಬಹುದಾದ ಅಂತಹ ಶ್ರೀಮಂತ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಸಾಧ್ಯವಾಗುವುದರಿಂದ ಹೊಸ ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ಸೆಮಿಕಂಡಕ್ಟರ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಬಾಗಿಲು ತೆರೆಯಲು ಪ್ರಾರಂಭಿಸುತ್ತಿದೆ, ವಿಶೇಷವಾಗಿ ಸೌರ ಫಲಕಗಳಂತಹ ಸಮರ್ಥನೀಯ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗಾಗಿ” ಎಂದು ಸೀಮೆನ್ ಹೇಳುತ್ತಾರೆ.
ಸಂಶೋಧಕರು ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತ ವಸ್ತುಗಳ ಆವಿಷ್ಕಾರ ಪ್ರಯೋಗಾಲಯವನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವುದರಿಂದ ಈ ರೊಬೊಟಿಕ್ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸುವುದನ್ನು ಮುಂದುವರಿಸಲು ಬಯಸುತ್ತಾರೆ.
MIT ಎನರ್ಜಿ ಇನಿಶಿಯೇಟಿವ್, ಮ್ಯಾಥ್ವರ್ಕ್ಸ್, ಯುನಿವರ್ಸಿಟಿ ಆಫ್ ಟೊರೊಂಟೊ ಆಕ್ಸಿಲರೇಶನ್ ಕನ್ಸೋರ್ಟಿಯಂ, US ಡಿಪಾರ್ಟ್ಮೆಂಟ್ ಆಫ್ ಎನರ್ಜಿ, ಮತ್ತು US ನ್ಯಾಷನಲ್ ಸೈನ್ಸ್ ಫೌಂಡೇಶನ್ ಮೂಲಕ ಫಸ್ಟ್ ಸೋಲಾರ್, Eni ಈ ಕೆಲಸವನ್ನು ಭಾಗಶಃ ಬೆಂಬಲಿಸುತ್ತದೆ.
