AI与世界难题 ─ 化学与材料
AI推动的科学与学术进展(按学科)
RSS订阅源 · 5 条
一个基于机器学习的小分子势能预测平台
原标题: A machine learning-based platform for predicting the potential energy of small molecules
能量最小化后小分子势能的准确估计，对于设计药物和基因递送分子至关重要。作者构建了深度学习模型，包括带有和不带多头注意力的CNN-BiLSTM架构，并使用基于原子的序列表示，在小分子结构数据集上对其进行训练。据报道，这些模型优于传统的基于描述符的机器学习方法，并且据称注意力机制可提升泛化能力。
利用电子结构指导AI设计新材料
原标题: Using electronic structure to guide AI in designing new materials
结构决定功能，因此科学家越来越多地利用AI来设计新材料中的原子排列，以获得所需性能。东京大学生产技术研究所的研究人员扩展了一个领先的生成式AI模型，使其能够同时设计材料的电子结构和晶体结构。这一新模型MatterGen-e⁻发表于《npj Computational Materials》。
锂离子电池电解质中存在多 Li⁺ 团簇的证据
原标题: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
锂离子电池电解液的体相溶剂化结构仅凭实验很难在原子层面确定。作者结合了机器学习驱动的原子模拟、核磁共振波谱、电化学数据和量子化学计算。他们发现了此前未被研究的、不含结合阴离子且易被还原的多Li+配合物，这有助于解释为何凭经验选择的碳酸乙烯酯溶剂混合物行之有效。
HIP：无需求导的 Hessian 原子间势
原标题: HIP: Hessian Interatomic Potentials without derivatives
分子 Hessian 矩阵是势能的二阶导数，在许多计算化学工作流程中都需要用到，但计算成本高昂，且随体系规模增大扩展性较差。作者提出了 HIP，这是一种深度学习模型，利用图神经网络中的 SE(3) 等变特征，无需自动微分或有限差分即可直接预测 Hessian 矩阵。据报道，HIP 比基于自动微分的 Hessian 矩阵快一到两个数量级且更准确，并在过渡态搜索、几何优化和振动分析中表现出色。
在利用大型语言模型预测性质时，少即是多
原标题: Less can be more for predicting properties with large language models
从坐标-类别数据预测性质（例如根据晶体结构预测形成能或弹性模量）是计算科学的核心问题，大语言模型（LLM）已被应用于此。作者利用合成数据集和MatText基准发现，LLM在处理类别模式时表现良好，但始终无法捕捉坐标信息。这一结论在参数规模高达700亿的模型、规模高达2 × 10^6个结构的数据集以及不同的文本表示下均成立；对于以结构效应为主导的性质预测，专用的几何架构优于LLM。