IA e os Problemas Difíceis do Mundo ─ Química e materiais
Ciência e conhecimento avançados pela IA, por disciplina
Feed RSS · 5 itens
Uma plataforma baseada em aprendizado de máquina para prever a energia potencial de pequenas moléculas
Título original: A machine learning-based platform for predicting the potential energy of small molecules
Estimativas precisas da energia potencial de pequenas moléculas após a minimização de energia são importantes para o desenvolvimento de moléculas de fármacos e de entrega gênica. Os autores construíram modelos de aprendizado profundo, incluindo arquiteturas CNN-BiLSTM com e sem atenção multi-cabeça, e os treinaram em um conjunto de dados de estruturas de pequenas moléculas usando representações sequenciais por átomo. Segundo relatado, os modelos superam os métodos tradicionais de aprendizado de máquina baseados em descritores, e diz-se que o mecanismo de atenção melhora a generalização.
Usando estrutura eletrônica para orientar a IA no projeto de novos materiais
Título original: Using electronic structure to guide AI in designing new materials
A estrutura determina a função, por isso cientistas estão usando cada vez mais a IA para projetar o arranjo dos átomos em novos materiais com as propriedades desejadas. Pesquisadores do Instituto de Ciência Industrial da Universidade de Tóquio ampliaram um dos principais modelos de IA generativa para que ele projete a estrutura eletrônica de um material junto com sua estrutura cristalina. O novo modelo, MatterGen-e⁻, é descrito na npj Computational Materials.
Evidências de agrupamento de múltiplos Li + em eletrólitos de baterias de íons de lítio
Título original: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
A estrutura de solvatação em massa dos eletrólitos de baterias de íons de lítio é difícil de determinar em detalhe atômico apenas por experimentos. Os autores combinaram simulações atomísticas habilitadas por aprendizado de máquina, espectroscopia de RMN, dados eletroquímicos e cálculos de química quântica. Eles identificaram complexos com múltiplos Li+ e sem ânions ligados, ainda não estudados, que são facilmente reduzidos, o que ajuda a explicar por que misturas de solventes com carbonato de etileno escolhidas empiricamente funcionam.
HIP: Potenciais Interatômicos Hessianos sem derivadas
Título original: HIP: Hessian Interatomic Potentials without derivatives
As Hessianas moleculares, as segundas derivadas da energia potencial, são necessárias em muitos fluxos de trabalho de química computacional, mas são caras de calcular e escalam mal com o tamanho do sistema. Os autores apresentam o HIP, um modelo de aprendizado profundo que prevê Hessianas diretamente, sem diferenciação automática nem diferenças finitas, usando atributos equivariantes a SE(3) de uma rede neural de grafos. Segundo relatado, o HIP é de uma a duas ordens de grandeza mais rápido e mais preciso do que as Hessianas obtidas por diferenciação automática, e tem bom desempenho na busca de estados de transição, na otimização de geometria e na análise vibracional.
Menos pode ser mais na previsão de propriedades com grandes modelos de linguagem
Título original: Less can be more for predicting properties with large language models
Prever propriedades a partir de dados de coordenadas e categorias, como energias de formação ou módulos elásticos a partir de estruturas cristalinas, é fundamental para a ciência computacional, e grandes modelos de linguagem (LLMs) têm sido aplicados a essa tarefa. Usando conjuntos de dados sintéticos e o benchmark MatText, os autores constatam que os LLMs falham de forma consistente em capturar informações de coordenadas, embora lidem bem com padrões de categorias. Isso vale para modelos de diferentes tamanhos, até 70 bilhões de parâmetros, para conjuntos de dados de até 2 × 10^6 estruturas e para diferentes representações em texto; e, na previsão de propriedades dominada por efeitos estruturais, arquiteturas geométricas especializadas superam os LLMs.