الذكاء الاصطناعي ومشكلات العالم الصعبة ─ الكيمياء والمواد
العلوم والمعرفة التي يقدّمها الذكاء الاصطناعي، حسب التخصص
خلاصة RSS · 5 عنصر
منصة قائمة على تعلم الآلة للتنبؤ بالطاقة الكامنة للجزيئات الصغيرة
العنوان الأصلي: A machine learning-based platform for predicting the potential energy of small molecules
تُعد التقديرات الدقيقة للطاقة الكامنة للجزيئات الصغيرة بعد تصغير الطاقة مهمة لتصميم الجزيئات الدوائية وجزيئات توصيل الجينات. بنى المؤلفون نماذج تعلم عميق، منها بنى CNN-BiLSTM مع الانتباه متعدد الرؤوس ودونه، ودربوها على مجموعة بيانات من بنى الجزيئات الصغيرة باستخدام تمثيلات تسلسلية على مستوى الذرات. وتفيد التقارير بأن النماذج تتفوق على طرق تعلم الآلة التقليدية القائمة على الواصفات، ويقال إن آلية الانتباه تحسّن التعميم.
استخدام البنية الإلكترونية لتوجيه الذكاء الاصطناعي في تصميم مواد جديدة
العنوان الأصلي: Using electronic structure to guide AI in designing new materials
البنية تحدد الوظيفة، ولذلك يستخدم العلماء الذكاء الاصطناعي بشكل متزايد لتصميم ترتيب الذرات في مواد جديدة ذات خصائص مرغوبة. وقد وسّع باحثون في معهد العلوم الصناعية بجامعة طوكيو نموذجًا رائدًا من الذكاء الاصطناعي التوليدي بحيث يصمم البنية الإلكترونية للمادة مع بنيتها البلورية. ويُعرض النموذج الجديد MatterGen-e⁻ في مجلة npj Computational Materials.
أدلة على تكتّل عدة أيونات Li+ في إلكتروليتات بطاريات الليثيوم أيون
العنوان الأصلي: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
يصعب تحديد بنية الإذابة الكتلية لإلكتروليتات بطاريات الليثيوم أيون بالتفصيل الذري عبر التجارب وحدها. وقد جمع المؤلفون بين محاكاة ذرية مدعومة بالتعلم الآلي، وطيف الرنين المغناطيسي النووي، وبيانات كهروكيميائية، وحسابات كيميائية كمية. وحددوا معقدات متعددة أيونات Li+ لم تُدرس سابقًا، خالية من الأنيونات المرتبطة وسهلة الاختزال، مما يساعد على تفسير سبب نجاح خلائط مذيبات كربونات الإيثيلين المختارة تجريبيًا.
HIP: جهود ذرية هسّية بلا مشتقات
العنوان الأصلي: HIP: Hessian Interatomic Potentials without derivatives
هناك حاجة إلى مصفوفات هسيان الجزيئية، وهي المشتقات الثانية للطاقة الكامنة، في كثير من مسارات العمل في الكيمياء الحاسوبية، لكن حسابها مكلف ويتدهور أداؤها مع زيادة حجم النظام. يقدّم المؤلفون HIP، وهو نموذج تعلم عميق يتنبأ بمصفوفات هسيان مباشرة، دون اشتقاق تلقائي أو فروق محدودة، باستخدام خصائص متكافئة التغاير بالنسبة إلى SE(3) من شبكة عصبية بيانية. ويُذكر أن HIP أسرع بمرتبة إلى مرتبتين من حيث الحجم وأكثر دقة من مصفوفات هسيان المحسوبة بالاشتقاق التلقائي، وأنه يؤدي أداءً جيدًا في البحث عن حالة الانتقال وتحسين البنية الهندسية والتحليل الاهتزازي.
الأقل قد يكون أفضل في التنبؤ بالخصائص باستخدام النماذج اللغوية الكبيرة
العنوان الأصلي: Less can be more for predicting properties with large language models
التنبؤ بالخصائص من بيانات الإحداثيات والفئات، مثل طاقات التكوّن أو معاملات المرونة انطلاقًا من البنى البلورية، أمر محوري في العلوم الحاسوبية، وقد طُبّقت عليه النماذج اللغوية الكبيرة (LLMs). وباستخدام مجموعات بيانات اصطناعية ومعيار MatText، يجد المؤلفون أن النماذج اللغوية الكبيرة تخفق باستمرار في التقاط معلومات الإحداثيات بينما تتعامل جيدًا مع أنماط الفئات. وينطبق ذلك على أحجام نماذج تصل إلى 70 مليار معامل، ومجموعات بيانات تصل إلى 2 × 10^6 بنية، وعلى تمثيلات نصية مختلفة، وفي التنبؤ بالخصائص التي تهيمن عليها التأثيرات البنيوية تتفوق المعماريات الهندسية المتخصصة على النماذج اللغوية الكبيرة.