AI اور دنیا کے مشکل مسائل ─ کیمیا اور مواد
AI کے ذریعے آگے بڑھنے والے سائنس اور علم، شعبے کے لحاظ سے
RSS فیڈ · 5 آئٹمز
چھوٹے مالیکیولز کی ممکنہ توانائی کی پیش گوئی کے لیے مشین لرننگ پر مبنی پلیٹ فارم
اصل عنوان: A machine learning-based platform for predicting the potential energy of small molecules
توانائی کی کمی کے بعد چھوٹے مالیکیولز کی ممکنہ توانائی کے درست تخمینے ادویات اور جین کی ترسیل کے مالیکیولز ڈیزائن کرنے کے لیے اہم ہیں۔ مصنفین نے گہری لرننگ ماڈلز بنائے، جن میں ملٹی ہیڈ اٹینشن کے ساتھ اور اس کے بغیر CNN-BiLSTM آرکیٹیکچرز شامل ہیں، اور انہیں ایٹم وار ترتیب وار نمائندگی کے ذریعے چھوٹے مالیکیولز کی ساختوں کے ڈیٹاسیٹ پر تربیت دی۔ بتایا جاتا ہے کہ یہ ماڈلز روایتی ڈسکرپٹر پر مبنی مشین لرننگ طریقوں سے بہتر کارکردگی دکھاتے ہیں، اور کہا جاتا ہے کہ اٹینشن میکانزم عمومی کارکردگی کو بہتر بناتا ہے۔
الیکٹرانک ساخت کے ذریعے نئے مواد کے ڈیزائن میں AI کی رہنمائی
اصل عنوان: Using electronic structure to guide AI in designing new materials
ساخت فعل کا تعین کرتی ہے، اس لیے سائنس دان مطلوبہ خصوصیات والے نئے مواد میں ایٹموں کی ترتیب کو ڈیزائن کرنے کے لیے تیزی سے AI استعمال کر رہے ہیں۔ University of Tokyo کے Institute of Industrial Science کے محققین نے ایک نمایاں جنریٹو AI ماڈل کو وسعت دی تاکہ وہ کسی مواد کی الیکٹرانک ساخت کو اس کی قلمی ساخت کے ساتھ مل کر ڈیزائن کر سکے۔ نیا ماڈل، MatterGen-e⁻، npj Computational Materials میں رپورٹ کیا گیا ہے۔
لیتھیم آئن بیٹری الیکٹرولائٹس میں multi-Li + کلسٹرنگ کے شواہد
اصل عنوان: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
لیتھیم آئن بیٹری الیکٹرولائٹس کی بلک سالویشن ساخت کو صرف تجربے سے ایٹمی تفصیل میں متعین کرنا مشکل ہے۔ مصنفین نے مشین لرننگ سے چلنے والی ایٹمی سمولیشنز، NMR اسپیکٹروسکوپی، برقی کیمیائی ڈیٹا اور کوانٹم کیمیائی حسابات کو یکجا کیا۔ انہوں نے پہلے سے غیر مطالعہ شدہ، بغیر جڑے ہوئے اینیئنز والے متعدد Li+ کمپلیکس کی نشاندہی کی جو آسانی سے ریڈیوس ہو جاتے ہیں، جس سے یہ سمجھنے میں مدد ملتی ہے کہ تجربے کی بنیاد پر منتخب کیے گئے ایتھیلین کاربونیٹ سالوینٹ مرکبات کیوں کام کرتے ہیں۔
HIP: بغیر مشتقات کے Hessian Interatomic Potentials
اصل عنوان: HIP: Hessian Interatomic Potentials without derivatives
مالیکیولر ہیسیئنز، یعنی پوٹینشل انرجی کے دوسرے مشتقات، کمپیوٹیشنل کیمسٹری کے کئی ورک فلوز میں درکار ہوتے ہیں لیکن انہیں حساب کرنا مہنگا ہوتا ہے اور سسٹم کے سائز کے ساتھ ان کا پھیلاؤ ناقص ہے۔ مصنفین HIP پیش کرتے ہیں، جو ایک ڈیپ لرننگ ماڈل ہے اور گراف نیورل نیٹ ورک کی SE(3)-ایکوویرینٹ خصوصیات استعمال کرتے ہوئے ہیسیئنز کی براہ راست پیش گوئی کرتا ہے، بغیر آٹومیٹک ڈیفرنشی ایشن یا فنائٹ ڈفرنسز کے۔ رپورٹ کے مطابق HIP آٹومیٹک ڈیفرنشی ایشن والے ہیسیئنز سے ایک سے دو درجے زیادہ تیز اور زیادہ درست ہے، اور ٹرانزیشن-اسٹیٹ سرچ، جیومیٹری آپٹیمائزیشن اور وائبریشنل تجزیے میں اچھی کارکردگی دکھاتا ہے۔
بڑے لسانی ماڈلز کے ساتھ خصوصیات کی پیش گوئی کے لیے کم زیادہ ثابت ہو سکتا ہے
اصل عنوان: Less can be more for predicting properties with large language models
نقاط کے محدد اور زمرے پر مبنی ڈیٹا سے خصوصیات کی پیش گوئی، مثلاً کرسٹل ڈھانچوں سے تشکیلی توانائیوں یا لچکی موڈیولس کی پیش گوئی، کمپیوٹیشنل سائنس کا مرکزی موضوع ہے، اور بڑے لسانی ماڈلز (LLMs) اس پر آزمائے جا چکے ہیں۔ مصنوعی ڈیٹا سیٹس اور MatText بینچ مارک کی مدد سے مصنفین نے پایا کہ LLMs زمرے کے نمونوں کو تو اچھی طرح سنبھالتے ہیں، مگر محدد کی معلومات کو مسلسل گرفت میں لانے میں ناکام رہتے ہیں۔ یہ نتیجہ 70 ارب پیرامیٹرز تک کے ماڈلز، 2 × 10^6 ڈھانچوں تک کے ڈیٹا سیٹس اور مختلف متنی نمائندگیوں پر صادق آتا ہے، اور جن خصوصیات کی پیش گوئی میں ساختی اثرات غالب ہوں، وہاں مخصوص جیومیٹرک ساختیں LLMs سے بہتر کارکردگی دکھاتی ہیں۔