AI 與世界的難題 ─ 化學與材料
由 AI 推進的科學與學術，依學門分類
RSS 訂閱源 · 5 項
用於預測小分子位能的機器學習平台
原標題: A machine learning-based platform for predicting the potential energy of small molecules
能量最小化後對小分子位能的準確估計，對於設計藥物和基因遞送分子至關重要。作者建構了深度學習模型，包括有無多頭注意力機制的 CNN-BiLSTM 架構，並使用以原子為單位的序列表示法，在小分子結構資料集上進行訓練。據報導，這些模型的表現優於傳統基於描述符的機器學習方法，且注意力機制據稱可提升泛化能力。
運用電子結構引導 AI 設計新材料
原標題: Using electronic structure to guide AI in designing new materials
結構決定功能,因此科學家越來越常利用 AI 來設計新材料中的原子排列,以獲得所需的特性。東京大學生產技術研究所的研究人員擴充了一個領先的生成式 AI 模型,使其能同時設計材料的電子結構與晶體結構。這個新模型 MatterGen-e⁻ 已發表於《npj Computational Materials》。
鋰離子電池電解液中存在多個 Li+ 聚集的證據
原標題: Evidence for multi-Li + clustering in lithium-ion battery electrolytes
鋰離子電池電解液的本體溶劑化結構,僅憑實驗很難在原子層級上確定。作者結合了機器學習驅動的原子尺度模擬、核磁共振光譜、電化學數據與量子化學計算。他們發現了先前未被研究、不含結合陰離子且容易被還原的多鋰離子(multi-Li+)錯合物,這有助於解釋為何憑經驗選擇的碳酸乙烯酯溶劑混合物行之有效。
HIP：無需導數的黑塞矩陣原子間位能
原標題: HIP: Hessian Interatomic Potentials without derivatives
分子黑塞矩陣（Hessian）是位能的二階導數，在許多計算化學工作流程中不可或缺，但計算成本高昂，且隨系統規模擴大而難以擴展。作者提出 HIP，這是一種深度學習模型，利用圖神經網路的 SE(3) 等變特徵，不需自動微分或有限差分即可直接預測黑塞矩陣。據報告，HIP 比自動微分的黑塞矩陣快一到兩個數量級且更為準確，並在過渡態搜尋、幾何結構最佳化與振動分析中表現良好。
以大型語言模型預測性質時，少即是多
原標題: Less can be more for predicting properties with large language models
從座標—類別資料預測性質（例如由晶體結構預測形成能或彈性模數）是計算科學的核心，大型語言模型（LLM）也已被應用於此。作者利用合成資料集與 MatText 基準測試發現，LLM 始終無法掌握座標資訊，但能妥善處理類別模式。這個結果在高達 700 億參數的各種模型規模、多達 2 × 10^6 個結構的資料集以及不同的文字表示方式下皆成立；對於以結構效應為主的性質預測，專門的幾何架構表現優於 LLM。