AI na Matatizo Magumu ya Ulimwengu ─ Kemia na vifaa
Sayansi na taaluma zinazoendelezwa na AI, kwa taaluma
Mlisho wa RSS · 5 vipengee
Jukwaa linalotumia ujifunzaji wa mashine kutabiri nishati ya akiba ya molekuli ndogo
Kichwa asilia: A machine learning-based platform for predicting the potential energy of small molecules
Makadirio sahihi ya nishati ya akiba ya molekuli ndogo baada ya kupunguza nishati ni muhimu kwa kubuni molekuli za dawa na za usafirishaji wa jeni. Waandishi walijenga miundo ya ujifunzaji wa kina, ikiwemo miundombinu ya CNN-BiLSTM yenye na isiyo na umakini wa vichwa vingi, na kuifunza kwenye mkusanyiko wa data wa miundo ya molekuli ndogo kwa kutumia uwakilishi wa mfuatano wa atomu kwa atomu. Inaripotiwa kuwa miundo hiyo inazidi mbinu za jadi za ujifunzaji wa mashine zinazotegemea vielelezo, na utaratibu wa umakini unasemekana kuboresha ujumlishaji.
Kutumia muundo wa kielektroni kuongoza AI katika kubuni vifaa vipya
Kichwa asilia: Using electronic structure to guide AI in designing new materials
Muundo huamua kazi, kwa hiyo wanasayansi wanazidi kutumia AI kubuni mpangilio wa atomi katika nyenzo mpya zenye sifa zinazotakiwa. Watafiti katika Taasisi ya Sayansi ya Viwanda ya Chuo Kikuu cha Tokyo walipanua modeli maarufu ya AI ya kuzalisha ili iweze kubuni muundo wa kielektroniki wa nyenzo pamoja na muundo wake wa kristali. Modeli mpya, MatterGen-e⁻, imeripotiwa katika npj Computational Materials.
Ushahidi wa mkusanyiko wa multi-Li + katika elektroliti za betri za lithium-ion
Kichwa asilia: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
Muundo wa uyeyushaji wa wingi wa elektroliti za betri za lithiamu-ioni ni mgumu kubainishwa kwa undani wa kiatomi kwa majaribio pekee. Waandishi walichanganya masimulizi ya kiatomi yanayowezeshwa na kujifunza kwa mashine, taswira ya NMR, data za kielektrokemia na hesabu za kemia ya kwantumu. Walibaini changamano za Li+ nyingi ambazo hazikuwahi kuchunguzwa awali, zisizo na anioni zilizofungwa, ambazo hupunguzwa kwa urahisi, jambo linalosaidia kueleza kwa nini mchanganyiko wa vimumunyisho vya ethylene-carbonate uliochaguliwa kwa majaribio hufanya kazi.
HIP: Hessian Interatomic Potentials bila viasili
Kichwa asilia: HIP: Hessian Interatomic Potentials without derivatives
Hessian za molekuli, yaani viambatanisho vya pili vya nishati tendaji, zinahitajika katika michakato mingi ya kemia ya kikokotozi lakini ni ghali kukokotoa na hupanuka vibaya kulingana na ukubwa wa mfumo. Waandishi wanawasilisha HIP, modeli ya ujifunzaji wa kina inayotabiri Hessian moja kwa moja, bila utofautishaji wa kiotomatiki au tofauti finyu, kwa kutumia sifa za SE(3)-equivariant kutoka kwenye mtandao wa neva wa grafu. HIP imeripotiwa kuwa haraka na sahihi zaidi kwa mpangilio wa ukubwa mmoja hadi miwili kuliko Hessian za utofautishaji wa kiotomatiki, na kufanya vizuri katika utafutaji wa hali ya mpito, uboreshaji wa jiometri na uchanganuzi wa mtetemo.
Kidogo kinaweza kuwa bora zaidi katika kutabiri sifa kwa kutumia miundo mikubwa ya lugha
Kichwa asilia: Less can be more for predicting properties with large language models
Kutabiri sifa kutoka kwa data ya viwianishi na kategoria, kama vile nishati za uundaji au moduli za unyumbufu kutoka kwa miundo ya fuwele, ni jambo kuu katika sayansi ya komputa, na miundo mikubwa ya lugha (LLM) imetumika kwa kazi hiyo. Kwa kutumia seti za data bandia na kipimo cha MatText, waandishi wanagundua kuwa LLM hushindwa kila mara kunasa taarifa za viwianishi huku zikishughulikia vizuri mifumo ya kategoria. Hali hii inadumu katika ukubwa wa miundo hadi vigezo bilioni 70, seti za data hadi miundo 2 × 10^6, na uwakilishi tofauti wa maandishi, na kwa utabiri wa sifa unaotawaliwa na athari za muundo, usanifu maalum wa kijiometri hufanya vizuri kuliko LLM.