La IA y los problemas difíciles del mundo ─ Química y materiales
Ciencia y erudición impulsadas por la IA, por disciplina
Feed RSS · 5 elementos
Una plataforma basada en aprendizaje automático para predecir la energía potencial de moléculas pequeñas
Título original: A machine learning-based platform for predicting the potential energy of small molecules
Estimar con precisión la energía potencial de moléculas pequeñas tras la minimización de energía es importante para diseñar fármacos y moléculas de administración génica. Los autores crearon modelos de aprendizaje profundo, incluidas arquitecturas CNN-BiLSTM con y sin atención multicabezal, y los entrenaron con un conjunto de datos de estructuras de moléculas pequeñas usando representaciones secuenciales por átomo. Según se informa, los modelos superan a los métodos tradicionales de aprendizaje automático basados en descriptores, y se afirma que el mecanismo de atención mejora la generalización.
Uso de la estructura electrónica para guiar a la IA en el diseño de nuevos materiales
Título original: Using electronic structure to guide AI in designing new materials
La estructura determina la función, por lo que los científicos recurren cada vez más a la IA para diseñar la disposición de los átomos en nuevos materiales con las propiedades deseadas. Investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio ampliaron un destacado modelo de IA generativa para que diseñe la estructura electrónica de un material junto con su estructura cristalina. El nuevo modelo, MatterGen-e⁻, se presenta en npj Computational Materials.
Evidencia de agrupamiento multi-Li + en electrolitos de baterías de iones de litio
Título original: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
La estructura de solvatación en el seno de los electrolitos de las baterías de iones de litio es difícil de determinar con detalle atómico solo mediante experimentos. Los autores combinaron simulaciones atomísticas basadas en aprendizaje automático, espectroscopia de RMN, datos electroquímicos y cálculos de química cuántica. Identificaron complejos multi-Li+ no estudiados previamente, sin aniones enlazados, que se reducen con facilidad, lo que ayuda a explicar por qué funcionan las mezclas de disolventes de carbonato de etileno elegidas empíricamente.
HIP: potenciales interatómicos hessianos sin derivadas
Título original: HIP: Hessian Interatomic Potentials without derivatives
Los hessianos moleculares, las segundas derivadas de la energía potencial, son necesarios en muchos flujos de trabajo de química computacional, pero su cálculo es costoso y escala mal con el tamaño del sistema. Los autores presentan HIP, un modelo de aprendizaje profundo que predice los hessianos directamente, sin diferenciación automática ni diferencias finitas, utilizando características SE(3)-equivariantes de una red neuronal de grafos. Según se informa, HIP es de uno a dos órdenes de magnitud más rápido y más preciso que los hessianos obtenidos mediante diferenciación automática, y ofrece buen rendimiento en la búsqueda de estados de transición, la optimización de geometrías y el análisis vibracional.
Menos puede ser más al predecir propiedades con grandes modelos de lenguaje
Título original: Less can be more for predicting properties with large language models
Predecir propiedades a partir de datos de coordenadas y categorías, como las energías de formación o los módulos elásticos a partir de estructuras cristalinas, es fundamental en la ciencia computacional, y se han aplicado a ello los modelos de lenguaje de gran tamaño (LLM). Mediante conjuntos de datos sintéticos y el benchmark MatText, los autores encuentran que los LLM no logran captar de forma consistente la información de las coordenadas, mientras que manejan bien los patrones de categorías. Esto se mantiene en modelos de hasta 70 mil millones de parámetros, conjuntos de datos de hasta 2 × 10^6 estructuras y distintas representaciones de texto, y en la predicción de propiedades dominadas por efectos estructurales, las arquitecturas geométricas especializadas superan a los LLM.