AI এবং বিশ্বের কঠিন সমস্যাগুলো ─ রসায়ন ও উপকরণ
AI দ্বারা এগিয়ে চলা বিজ্ঞান ও পাণ্ডিত্য, শাখা অনুযায়ী
RSS ফিড · 5 আইটেম
ক্ষুদ্র অণুর বিভব শক্তি পূর্বাভাস দেওয়ার জন্য মেশিন লার্নিংভিত্তিক একটি প্ল্যাটফর্ম
মূল শিরোনাম: A machine learning-based platform for predicting the potential energy of small molecules
শক্তি ন্যূনতমকরণের পর ক্ষুদ্র অণুর বিভব শক্তির নির্ভুল অনুমান ওষুধ ও জিন-বাহক অণু ডিজাইনের জন্য গুরুত্বপূর্ণ। লেখকরা মাল্টিহেড অ্যাটেনশনসহ ও ছাড়া CNN-BiLSTM আর্কিটেকচার সহ ডিপ লার্নিং মডেল তৈরি করেছেন এবং পরমাণু-ভিত্তিক ক্রমিক উপস্থাপনা ব্যবহার করে ক্ষুদ্র অণুর গঠনের একটি ডেটাসেটে সেগুলোকে প্রশিক্ষণ দিয়েছেন। জানা যায়, মডেলগুলো প্রথাগত ডেসক্রিপ্টর-ভিত্তিক মেশিন লার্নিং পদ্ধতিকে ছাড়িয়ে গেছে, এবং অ্যাটেনশন প্রক্রিয়া নাকি সাধারণীকরণ উন্নত করে।
নতুন উপকরণ ডিজাইনে AI-কে পথ দেখাতে ইলেকট্রনিক কাঠামোর ব্যবহার
মূল শিরোনাম: Using electronic structure to guide AI in designing new materials
গঠনই কার্যকারিতা নির্ধারণ করে, তাই বিজ্ঞানীরা কাঙ্ক্ষিত বৈশিষ্ট্যসম্পন্ন নতুন উপকরণে পরমাণুর বিন্যাস নকশা করতে ক্রমশ AI ব্যবহার করছেন। University of Tokyo-র Institute of Industrial Science-এর গবেষকরা একটি শীর্ষস্থানীয় জেনারেটিভ AI মডেলকে এমনভাবে সম্প্রসারিত করেছেন যাতে এটি কোনো উপকরণের স্ফটিক গঠনের পাশাপাশি তার ইলেকট্রনিক গঠনও নকশা করে। নতুন মডেল MatterGen-e⁻ npj Computational Materials-এ প্রকাশিত হয়েছে।
লিথিয়াম-আয়ন ব্যাটারি ইলেক্ট্রোলাইটে মাল্টি-Li + ক্লাস্টারিংয়ের প্রমাণ
মূল শিরোনাম: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
লিথিয়াম-আয়ন ব্যাটারি ইলেক্ট্রোলাইটের বাল্ক সলভেশন গঠন শুধু পরীক্ষার মাধ্যমে পারমাণবিক পর্যায়ের বিশদে নির্ধারণ করা কঠিন। লেখকরা মেশিন-লার্নিংচালিত পারমাণবিক সিমুলেশন, NMR স্পেকট্রোস্কোপি, তড়িৎ-রাসায়নিক উপাত্ত এবং কোয়ান্টাম-রাসায়নিক গণনা একত্রিত করেছেন। তাঁরা অ্যানায়ন-সংযুক্ত নয় এমন, সহজে বিজারিত হওয়া এবং আগে অধ্যয়ন না করা বহু-Li+ জটিল যৌগ শনাক্ত করেছেন, যা অভিজ্ঞতালব্ধভাবে বেছে নেওয়া ইথিলিন-কার্বনেট দ্রাবক মিশ্রণ কেন কাজ করে তা ব্যাখ্যা করতে সাহায্য করে।
HIP: ডেরিভেটিভ ছাড়া হেসিয়ান ইন্টারঅ্যাটমিক পটেনশিয়াল
মূল শিরোনাম: HIP: Hessian Interatomic Potentials without derivatives
আণবিক হেসিয়ান, অর্থাৎ বিভব শক্তির দ্বিতীয় অন্তরকলজ, বহু কম্পিউটেশনাল রসায়ন ওয়ার্কফ্লোতে প্রয়োজন হয়, কিন্তু এগুলো গণনা করা ব্যয়বহুল এবং সিস্টেমের আকার বাড়লে দক্ষতা কমে যায়। লেখকেরা HIP উপস্থাপন করেছেন, একটি ডিপ লার্নিং মডেল যা গ্রাফ নিউরাল নেটওয়ার্কের SE(3)-ইকুইভেরিয়েন্ট ফিচার ব্যবহার করে অটোমেটিক ডিফারেনশিয়েশন বা ফাইনাইট ডিফারেন্স ছাড়াই সরাসরি হেসিয়ান পূর্বাভাস দেয়। জানা গেছে, HIP অটোমেটিক-ডিফারেনশিয়েশন হেসিয়ানের চেয়ে এক থেকে দুই মাত্রা দ্রুত ও আরও নির্ভুল, এবং ট্রানজিশন-স্টেট অনুসন্ধান, জ্যামিতি অপটিমাইজেশন ও কম্পন বিশ্লেষণে ভালো কাজ করে।
বৃহৎ ভাষা মডেল দিয়ে বৈশিষ্ট্য পূর্বাভাসে কম মানেই বেশি হতে পারে
মূল শিরোনাম: Less can be more for predicting properties with large language models
স্ফটিকের গঠন থেকে গঠন-শক্তি বা ইলাস্টিক মডুলাসের মতো বৈশিষ্ট্য অনুমান করা, অর্থাৎ স্থানাঙ্ক-শ্রেণি (coordinate-category) ডেটা থেকে বৈশিষ্ট্য পূর্বাভাস, গণনামূলক বিজ্ঞানের একটি কেন্দ্রীয় বিষয়, এবং এতে বৃহৎ ভাষা মডেল (LLM) প্রয়োগ করা হয়েছে। সিনথেটিক ডেটাসেট ও MatText বেঞ্চমার্ক ব্যবহার করে লেখকেরা দেখেছেন, LLM শ্রেণির প্যাটার্ন ভালোভাবে সামলালেও স্থানাঙ্কের তথ্য ধরতে ধারাবাহিকভাবে ব্যর্থ হয়। এটি ৭০ বিলিয়ন প্যারামিটার পর্যন্ত মডেলের আকার, 2 × 10^6 কাঠামো পর্যন্ত ডেটাসেট এবং বিভিন্ন টেক্সট উপস্থাপনার ক্ষেত্রেই সত্য, আর কাঠামোগত প্রভাবের ওপর নির্ভরশীল বৈশিষ্ট্য পূর্বাভাসে বিশেষায়িত জ্যামিতিক আর্কিটেকচার LLM-কে ছাড়িয়ে যায়।