KI und die schwierigen Probleme der Welt ─ Chemie & Materialien
Von KI vorangebrachte Wissenschaft und Gelehrsamkeit, nach Disziplin
RSS-Feed · 5 Einträge
Eine auf maschinellem Lernen basierende Plattform zur Vorhersage der potenziellen Energie kleiner Moleküle
Originaltitel: A machine learning-based platform for predicting the potential energy of small molecules
Genaue Schätzungen der potenziellen Energie kleiner Moleküle nach der Energieminimierung sind wichtig für den Entwurf von Wirkstoff- und Gentransfer-Molekülen. Die Autoren entwickelten Deep-Learning-Modelle, darunter CNN-BiLSTM-Architekturen mit und ohne Multihead-Attention, und trainierten sie mit einem Datensatz von Strukturen kleiner Moleküle unter Verwendung atomweiser sequenzieller Darstellungen. Den Berichten zufolge übertreffen die Modelle herkömmliche deskriptorbasierte Methoden des maschinellen Lernens, und der Attention-Mechanismus soll die Generalisierung verbessern.
Elektronische Struktur nutzen, um KI beim Entwurf neuer Materialien zu leiten
Originaltitel: Using electronic structure to guide AI in designing new materials
Die Struktur bestimmt die Funktion, weshalb Wissenschaftler zunehmend KI nutzen, um die Anordnung der Atome in neuen Materialien mit gewünschten Eigenschaften zu entwerfen. Forschende des Institute of Industrial Science der University of Tokyo erweiterten ein führendes generatives KI-Modell so, dass es die elektronische Struktur eines Materials gemeinsam mit seiner Kristallstruktur entwirft. Das neue Modell MatterGen-e⁻ wird in npj Computational Materials vorgestellt.
Hinweise auf Multi-Li+-Clusterbildung in Elektrolyten von Lithium-Ionen-Batterien
Originaltitel: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
Die Solvatationsstruktur von Lithium-Ionen-Batterieelektrolyten im Volumen lässt sich allein durch Experimente nur schwer atomar genau bestimmen. Die Autoren kombinierten durch maschinelles Lernen ermöglichte atomistische Simulationen, NMR-Spektroskopie, elektrochemische Daten und quantenchemische Berechnungen. Sie identifizierten bislang unerforschte Multi-Li+-Komplexe ohne gebundene Anionen, die leicht reduziert werden, was erklären hilft, warum empirisch gewählte Ethylencarbonat-Lösungsmittelmischungen funktionieren.
HIP: Hessesche interatomare Potenziale ohne Ableitungen
Originaltitel: HIP: Hessian Interatomic Potentials without derivatives
Molekulare Hesse-Matrizen, die zweiten Ableitungen der potenziellen Energie, werden in vielen Arbeitsabläufen der Computerchemie benötigt, sind aber aufwendig zu berechnen und skalieren schlecht mit der Systemgröße. Die Autoren stellen HIP vor, ein Deep-Learning-Modell, das Hesse-Matrizen direkt vorhersagt, ohne automatische Differentiation oder finite Differenzen, und dabei SE(3)-äquivariante Merkmale eines Graph-Neural-Networks nutzt. Berichten zufolge ist HIP um ein bis zwei Größenordnungen schneller und genauer als Hesse-Matrizen aus automatischer Differentiation und schneidet bei der Suche nach Übergangszuständen, der Geometrieoptimierung und der Schwingungsanalyse gut ab.
Weniger kann mehr sein bei der Vorhersage von Eigenschaften mit großen Sprachmodellen
Originaltitel: Less can be more for predicting properties with large language models
Die Vorhersage von Eigenschaften aus Koordinaten-Kategorie-Daten, etwa von Bildungsenergien oder Elastizitätsmodulen aus Kristallstrukturen, ist zentral für die computergestützte Wissenschaft, und große Sprachmodelle (LLMs) wurden dafür eingesetzt. Anhand synthetischer Datensätze und des MatText-Benchmarks stellen die Autoren fest, dass LLMs Koordinateninformationen durchweg nicht erfassen, Kategoriemuster aber gut verarbeiten. Dies gilt für Modellgrößen bis zu 70 Milliarden Parametern, Datensätze mit bis zu 2 × 10^6 Strukturen und verschiedene Textdarstellungen, und bei der Eigenschaftsvorhersage, die von Struktureffekten dominiert wird, übertreffen spezialisierte geometrische Architekturen die LLMs.