L'IA face aux grands problèmes du monde ─ Chimie et matériaux
Les sciences et le savoir avancés par l'IA, par discipline
Flux RSS · 5 éléments
Une plateforme fondée sur l'apprentissage automatique pour prédire l'énergie potentielle de petites molécules
Titre original: A machine learning-based platform for predicting the potential energy of small molecules
Des estimations précises de l'énergie potentielle des petites molécules après minimisation de l'énergie sont importantes pour concevoir des molécules destinées aux médicaments et à l'administration de gènes. Les auteurs ont construit des modèles d'apprentissage profond, notamment des architectures CNN-BiLSTM avec et sans attention multi-têtes, et les ont entraînés sur un jeu de données de structures de petites molécules à l'aide de représentations séquentielles par atome. Les modèles surpasseraient les méthodes traditionnelles d'apprentissage automatique fondées sur des descripteurs, et le mécanisme d'attention améliorerait la généralisation.
Utiliser la structure électronique pour guider l'IA dans la conception de nouveaux matériaux
Titre original: Using electronic structure to guide AI in designing new materials
La structure détermine la fonction ; les scientifiques utilisent donc de plus en plus l'IA pour concevoir l'agencement des atomes dans de nouveaux matériaux dotés des propriétés souhaitées. Des chercheurs de l'Institut des sciences industrielles de l'université de Tokyo ont étendu un modèle d'IA générative de premier plan afin qu'il conçoive la structure électronique d'un matériau en même temps que sa structure cristalline. Le nouveau modèle, MatterGen-e⁻, est présenté dans npj Computational Materials.
Preuve de l'existence d'agrégats multi-Li + dans les électrolytes de batteries lithium-ion
Titre original: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
La structure de solvatation en volume des électrolytes de batteries lithium-ion est difficile à déterminer à l'échelle atomique par la seule expérimentation. Les auteurs ont combiné des simulations atomistiques par apprentissage automatique, la spectroscopie RMN, des données électrochimiques et des calculs de chimie quantique. Ils ont identifié des complexes multi-Li+ jusqu'ici non étudiés, sans anions liés et facilement réductibles, ce qui aide à expliquer pourquoi les mélanges de solvants au carbonate d'éthylène choisis empiriquement fonctionnent.
HIP : potentiels interatomiques hessiens sans dérivées
Titre original: HIP: Hessian Interatomic Potentials without derivatives
Les hessiennes moléculaires, c'est-à-dire les dérivées secondes de l'énergie potentielle, sont nécessaires dans de nombreux flux de travail de chimie computationnelle, mais elles sont coûteuses à calculer et passent mal à l'échelle avec la taille du système. Les auteurs présentent HIP, un modèle d'apprentissage profond qui prédit directement les hessiennes, sans différentiation automatique ni différences finies, en s'appuyant sur des caractéristiques SE(3)-équivariantes issues d'un réseau de neurones sur graphes. HIP serait un à deux ordres de grandeur plus rapide et plus précis que les hessiennes obtenues par différentiation automatique, et donnerait de bons résultats pour la recherche d'états de transition, l'optimisation de géométrie et l'analyse vibrationnelle.
Moins peut être plus pour prédire des propriétés avec de grands modèles de langage
Titre original: Less can be more for predicting properties with large language models
La prédiction de propriétés à partir de données coordonnées-catégories, telles que les énergies de formation ou les modules d'élasticité à partir de structures cristallines, est au cœur de la science computationnelle, et les grands modèles de langage (LLM) y ont été appliqués. À l'aide de jeux de données synthétiques et du benchmark MatText, les auteurs constatent que les LLM échouent systématiquement à capturer l'information de coordonnées tout en traitant bien les motifs de catégories. Cela vaut pour des tailles de modèles allant jusqu'à 70 milliards de paramètres, des jeux de données allant jusqu'à 2 × 10^6 structures et différentes représentations textuelles, et pour la prédiction de propriétés dominée par les effets structuraux, des architectures géométriques spécialisées surpassent les LLM.