ИИ и сложнейшие проблемы мира ─ Химия и материалы
Наука и научные знания, продвигаемые ИИ, по дисциплинам
RSS-лента · 5 материалов
Платформа на основе машинного обучения для прогнозирования потенциальной энергии малых молекул
Оригинальное название: A machine learning-based platform for predicting the potential energy of small molecules
Точные оценки потенциальной энергии малых молекул после минимизации энергии важны для разработки лекарственных молекул и молекул для доставки генов. Авторы создали модели глубокого обучения, включая архитектуры CNN-BiLSTM с многоголовым вниманием и без него, и обучили их на наборе данных структур малых молекул с использованием последовательных атомарных представлений. Как сообщается, модели превосходят традиционные методы машинного обучения на основе дескрипторов, а механизм внимания, по утверждению авторов, улучшает обобщающую способность.
Использование электронной структуры для управления ИИ при разработке новых материалов
Оригинальное название: Using electronic structure to guide AI in designing new materials
Структура определяет функцию, поэтому учёные всё чаще используют ИИ для проектирования расположения атомов в новых материалах с нужными свойствами. Исследователи из Института промышленных наук Токийского университета расширили ведущую генеративную модель ИИ так, чтобы она проектировала электронную структуру материала вместе с его кристаллической структурой. Новая модель MatterGen-e⁻ описана в npj Computational Materials.
Свидетельства мульти-Li⁺-кластеризации в электролитах литий-ионных аккумуляторов
Оригинальное название: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
Объёмную сольватационную структуру электролитов литий-ионных аккумуляторов трудно определить на атомном уровне только экспериментально. Авторы объединили атомистическое моделирование на основе машинного обучения, ЯМР-спектроскопию, электрохимические данные и квантово-химические расчёты. Они выявили ранее не изученные комплексы с несколькими ионами Li+ без связанных анионов, которые легко восстанавливаются, что помогает объяснить, почему эмпирически подобранные смеси растворителей на основе этиленкарбоната работают.
HIP: гессианные межатомные потенциалы без производных
Оригинальное название: HIP: Hessian Interatomic Potentials without derivatives
Молекулярные гессианы — вторые производные потенциальной энергии — необходимы во многих вычислительных задачах химии, но их вычисление затратно и плохо масштабируется с ростом размера системы. Авторы представляют HIP — модель глубокого обучения, которая предсказывает гессианы напрямую, без автоматического дифференцирования и конечных разностей, используя SE(3)-эквивариантные признаки из графовой нейронной сети. По сообщениям, HIP быстрее и точнее гессианов, полученных с помощью автоматического дифференцирования, на один-два порядка и хорошо проявляет себя при поиске переходных состояний, оптимизации геометрии и колебательном анализе.
Меньше — значит лучше: предсказание свойств с помощью больших языковых моделей
Оригинальное название: Less can be more for predicting properties with large language models
Прогнозирование свойств по данным «координаты — категории», например энергий образования или модулей упругости по кристаллическим структурам, занимает центральное место в вычислительной науке, и для этой задачи применяют большие языковые модели (LLM). На синтетических наборах данных и бенчмарке MatText авторы показывают, что LLM стабильно не способны учитывать информацию о координатах, хотя хорошо справляются с категориальными закономерностями. Это верно для моделей размером до 70 миллиардов параметров, наборов данных до 2 × 10^6 структур и различных текстовых представлений, а при прогнозировании свойств, в котором преобладают структурные эффекты, специализированные геометрические архитектуры превосходят LLM.