AI dan Masalah-Masalah Sulit Dunia ─ Kimia & material
Sains dan keilmuan yang dimajukan oleh AI, menurut disiplin
Umpan RSS · 5 item
Platform berbasis machine learning untuk memprediksi energi potensial molekul kecil
Judul asli: A machine learning-based platform for predicting the potential energy of small molecules
Estimasi energi potensial molekul kecil yang akurat setelah minimisasi energi penting untuk merancang molekul obat dan penghantar gen. Para penulis membangun model deep learning, termasuk arsitektur CNN-BiLSTM dengan dan tanpa multihead attention, dan melatihnya pada kumpulan data struktur molekul kecil menggunakan representasi sekuensial per atom. Model-model tersebut dilaporkan mengungguli metode machine learning tradisional berbasis deskriptor, dan mekanisme attention disebut meningkatkan generalisasi.
Menggunakan struktur elektronik untuk memandu AI dalam merancang material baru
Judul asli: Using electronic structure to guide AI in designing new materials
Struktur menentukan fungsi, sehingga para ilmuwan semakin sering menggunakan AI untuk merancang susunan atom dalam material baru dengan sifat yang diinginkan. Peneliti di Institute of Industrial Science, University of Tokyo, memperluas sebuah model AI generatif terkemuka sehingga dapat merancang struktur elektronik material bersama dengan struktur kristalnya. Model baru tersebut, MatterGen-e⁻, dilaporkan dalam npj Computational Materials.
Bukti adanya klasterisasi multi-Li + pada elektrolit baterai lithium-ion
Judul asli: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
Struktur solvasi curah elektrolit baterai litium-ion sulit ditentukan hingga tingkat atom hanya dengan eksperimen. Para penulis menggabungkan simulasi atomistik berbasis pembelajaran mesin, spektroskopi NMR, data elektrokimia, dan perhitungan kimia kuantum. Mereka mengidentifikasi kompleks multi-Li+ yang sebelumnya belum diteliti tanpa anion terikat yang mudah tereduksi, yang membantu menjelaskan mengapa campuran pelarut etilena karbonat yang dipilih secara empiris dapat bekerja.
HIP: Hessian Interatomic Potentials tanpa turunan
Judul asli: HIP: Hessian Interatomic Potentials without derivatives
Hessian molekul, yaitu turunan kedua dari energi potensial, dibutuhkan dalam banyak alur kerja kimia komputasi, tetapi mahal untuk dihitung dan skalanya buruk terhadap ukuran sistem. Para penulis memperkenalkan HIP, model pembelajaran mendalam yang memprediksi Hessian secara langsung, tanpa diferensiasi otomatis atau selisih hingga, menggunakan fitur ekuivarian SE(3) dari jaringan saraf graf. HIP dilaporkan satu hingga dua orde besaran lebih cepat dan lebih akurat daripada Hessian hasil diferensiasi otomatis, serta berkinerja baik dalam pencarian keadaan transisi, optimasi geometri, dan analisis getaran.
Lebih sedikit bisa lebih baik dalam memprediksi properti dengan model bahasa besar
Judul asli: Less can be more for predicting properties with large language models
Memprediksi sifat dari data koordinat-kategori, seperti energi pembentukan atau modulus elastis dari struktur kristal, merupakan inti ilmu komputasi, dan model bahasa besar (LLM) telah diterapkan untuk hal ini. Dengan menggunakan dataset sintetis dan tolok ukur MatText, para penulis menemukan bahwa LLM secara konsisten gagal menangkap informasi koordinat, sementara mampu menangani pola kategori dengan baik. Hal ini berlaku pada berbagai ukuran model hingga 70 miliar parameter, dataset hingga 2 × 10^6 struktur, dan berbagai representasi teks, dan untuk prediksi sifat yang didominasi oleh efek struktural, arsitektur geometris khusus mengungguli LLM.