AI और दुनिया की कठिन समस्याएँ ─ रसायन विज्ञान और पदार्थ
AI द्वारा आगे बढ़ाया गया विज्ञान और विद्वत्ता, विषय के अनुसार
RSS फ़ीड · 5 आइटम
छोटे अणुओं की स्थितिज ऊर्जा का पूर्वानुमान लगाने के लिए मशीन लर्निंग-आधारित प्लेटफ़ॉर्म
मूल शीर्षक: A machine learning-based platform for predicting the potential energy of small molecules
ऊर्जा न्यूनतमीकरण के बाद छोटे अणुओं की स्थितिज ऊर्जा के सटीक अनुमान दवा और जीन-डिलीवरी अणुओं के डिज़ाइन के लिए महत्वपूर्ण हैं। लेखकों ने डीप लर्निंग मॉडल बनाए, जिनमें मल्टीहेड अटेंशन के साथ और उसके बिना CNN-BiLSTM आर्किटेक्चर शामिल हैं, और उन्हें परमाणु-वार अनुक्रमिक निरूपणों का उपयोग करते हुए छोटे अणुओं की संरचनाओं के डेटासेट पर प्रशिक्षित किया। बताया गया है कि ये मॉडल पारंपरिक डिस्क्रिप्टर-आधारित मशीन लर्निंग विधियों से बेहतर प्रदर्शन करते हैं, और कहा जाता है कि अटेंशन तंत्र सामान्यीकरण को बेहतर बनाता है।
नई सामग्रियों को डिज़ाइन करने में AI का मार्गदर्शन करने के लिए इलेक्ट्रॉनिक संरचना का उपयोग
मूल शीर्षक: Using electronic structure to guide AI in designing new materials
संरचना ही कार्य को निर्धारित करती है, इसलिए वैज्ञानिक वांछित गुणों वाली नई सामग्रियों में परमाणुओं की व्यवस्था को डिज़ाइन करने के लिए तेज़ी से AI का उपयोग कर रहे हैं। University of Tokyo के Institute of Industrial Science के शोधकर्ताओं ने एक अग्रणी जनरेटिव AI मॉडल को इस तरह विस्तारित किया कि वह किसी सामग्री की इलेक्ट्रॉनिक संरचना को उसकी क्रिस्टल संरचना के साथ मिलाकर डिज़ाइन करता है। नए मॉडल MatterGen-e⁻ की रिपोर्ट npj Computational Materials में प्रकाशित हुई है।
लिथियम-आयन बैटरी इलेक्ट्रोलाइट्स में multi-Li + क्लस्टरिंग के प्रमाण
मूल शीर्षक: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
लिथियम-आयन बैटरी इलेक्ट्रोलाइट्स की बल्क सॉल्वेशन संरचना को केवल प्रयोग से परमाणु स्तर के विवरण में निर्धारित करना कठिन है। लेखकों ने मशीन-लर्निंग-सक्षम परमाणु सिमुलेशन, NMR स्पेक्ट्रोस्कोपी, विद्युत-रासायनिक डेटा और क्वांटम-रासायनिक गणनाओं को मिलाया। उन्होंने बिना बंधे ऋणायनों वाले, पहले अध्ययन न किए गए बहु-Li+ संकुल पहचाने, जिनका अपचयन आसानी से हो जाता है, और इससे यह समझाने में मदद मिलती है कि अनुभव के आधार पर चुने गए एथिलीन-कार्बोनेट विलायक मिश्रण क्यों काम करते हैं।
HIP: व्युत्पन्नों के बिना हेसियन इंटरएटॉमिक पोटेंशियल
मूल शीर्षक: HIP: Hessian Interatomic Potentials without derivatives
आणविक हेसियन, यानी स्थितिज ऊर्जा के द्वितीय अवकलज, कई कम्प्यूटेशनल रसायन कार्यप्रवाहों में आवश्यक होते हैं, लेकिन उनकी गणना महंगी होती है और सिस्टम के आकार के साथ वे खराब तरीके से स्केल करते हैं। लेखक HIP प्रस्तुत करते हैं, जो एक डीप लर्निंग मॉडल है और ग्राफ न्यूरल नेटवर्क की SE(3)-इक्विवेरिएंट फ़ीचर्स का उपयोग करके, बिना ऑटोमैटिक डिफरेंशिएशन या फ़िनाइट डिफरेंस के, सीधे हेसियन का पूर्वानुमान लगाता है। रिपोर्ट के अनुसार HIP ऑटोमैटिक-डिफरेंशिएशन हेसियन की तुलना में एक से दो परिमाण-क्रम तेज़ और अधिक सटीक है, और ट्रांज़िशन-स्टेट खोज, ज्यामिति अनुकूलन और कंपन विश्लेषण में अच्छा प्रदर्शन करता है।
बड़े भाषा मॉडल से गुणों का पूर्वानुमान लगाने में कम अधिक हो सकता है
मूल शीर्षक: Less can be more for predicting properties with large language models
निर्देशांक-श्रेणी डेटा से गुणों का पूर्वानुमान लगाना, जैसे क्रिस्टल संरचनाओं से निर्माण ऊर्जा या प्रत्यास्थता मापांक, कम्प्यूटेशनल विज्ञान के लिए केंद्रीय है, और बड़े भाषा मॉडल (LLM) इस पर लागू किए गए हैं। सिंथेटिक डेटासेट और MatText बेंचमार्क का उपयोग करके, लेखकों ने पाया कि LLM श्रेणी पैटर्न को अच्छी तरह संभालते हैं, लेकिन निर्देशांक जानकारी को लगातार पकड़ने में विफल रहते हैं। यह निष्कर्ष 70 अरब पैरामीटर तक के मॉडल आकारों, 2 × 10^6 संरचनाओं तक के डेटासेट और विभिन्न टेक्स्ट निरूपणों में लागू रहता है, और संरचनात्मक प्रभावों के प्रभुत्व वाले गुण पूर्वानुमान में विशेषीकृत ज्यामितीय आर्किटेक्चर LLM से बेहतर प्रदर्शन करते हैं।