Arama Sonuçları
3528 haber
Kimya
Yapay Zeka Destekli Kataliz Modellerinde Devrim: MACE Potansiyelleri
Bilim insanları, katalitik reaksiyonları modellemek için kullanılan makine öğrenimi tabanlı atomik potansiyelleri sistematik olarak iyileştirmenin yollarını araştırdı. MACE (Çok Atomlu Kümelenmiş Genişletme) potansiyellerinin farklı eğitim stratejileriyle nasıl optimize edilebileceğini inceleyen çalışma, CO₂'nin indirgenmesi, propan dehidrojenasyonu ve hidrojen interkalasyonu gibi 141 farklı reaksiyonu analiz etti. Araştırma, sıfırdan eğitim ile büyük temel modellerin ince ayarını karşılaştırarak, hangi yaklaşımların daha iyi sonuç verdiğini ortaya koydu. Bu gelişme, kataliz alanında hesaplamalı kimyanın hızını ve doğruluğunu artırarak, yeni katalizörlerin tasarımında önemli ilerlemeler sağlayabilir.
Kimya
GNN Tabanlı Moleküler Dinamik Simülatörlerde Yapı-Odaklı İlk Başlatma Yöntemi
Araştırmacılar, graf sinir ağlarına (GNN) dayalı moleküler dinamik simülatörlerinin temel sınırlarını aşan yeni bir yaklaşım geliştirdi. Geleneksel GNN simülatörleri, doğru tahmin yapabilmek için geçmiş zaman verilerine ihtiyaç duyar, bu da malzeme tasarımında kritik olan ters tasarım uygulamalarında kullanımlarını kısıtlar. Yeni yöntem, simülasyonları tek bir statik yapısal konfigürasyondan başlatabilmeyi mümkün kılıyor. Ayrıca, adayların genellikle eğitim verisi dışında kalan durumlarla başa çıkabilmek için güçlü genelleme yeteneği de sunuyor. Bu gelişme, karmaşık moleküler sistemlerin daha verimli modellenebilmesinin yanı sıra, malzeme tasarımında devrim yaratabilecek farklılaşabilirlik özelliğini de koruyor.
Kimya
Periyodik Sistemlerde Kuantum-Moleküler Mekaniğin Yeni Hibrit Modeli
Araştırmacılar, periyodik sistemlerde kuantum mekaniği ve moleküler mekaniği birleştiren yeni bir hibrit hesaplama yöntemi geliştirdi. Bu polarize edilebilir gömme (PE) QM/MM şeması, özellikle su moleküllerini içeren sistemlerde iki alt sistemin karşılıklı polarizasyonunu dikkate alıyor. Yöntem, yoğunluk fonksiyoneli teorisi (DFT) ile tanımlanan kuantum mekaniksel sistemi, su moleküllerini karakterize eden tek merkezli çok kutuplu genişleme modeli ile birleştiriyor. Bu yaklaşım, malzeme bilimi, kataliz ve biyomoleküler sistemlerin analizinde önemli avantajlar sunuyor. Geliştirilen model, uzun menzilli etkileşimleri verimli şekilde hesaplayarak, tam kuantum mekaniksel hesaplamaların doğruluğunu korurken hesaplama maliyetini önemli ölçüde düşürüyor.
Kimya
Yapay zeka su moleküllerini anlamak için 'aşırı öğrenme' yöntemi kullanıyor
Bilim insanları, yoğunluk fonksiyonel teorisinde kullanılan geleneksel yaklaşımların hız-doğruluk ikilemini çözmek için yeni bir yapay zeka stratejisi geliştirdi. Araştırmacılar, genellik yerine doğruluğu tercih eden ve özellikle su molekülleri için optimize edilmiş bir sinir ağı modeli tasarladı. Bu 'aşırı öğrenme' yaklaşımı, sadece sekiz konfigürasyonla eğitilerek altın standart hesaplama yöntemlerine yakın sonuçlar elde etti. Model, iyonlaşma ve atomizasyon enerjilerinde 1 kcal/mol hata oranıyla çalışırken, spektral çizgiler ve elektron yoğunluğu dağılımı tahminlerini de önemli ölçüde geliştirdi.
Kimya
Yapay Zeka ile Kuantum Kimya: Yoğunluk Fonksiyoneli Teorisinde Yeni Dönem
Araştırmacılar, yapay sinir ağlarının kuantum kimya hesaplamalarında kullanılan yoğunluk fonksiyoneli teorisini (DFT) ne kadar başarılı şekilde taklit edebileceğini test eden yeni bir yöntem geliştirdi. 'Fonksiyonel klonlama' adı verilen bu yaklaşımda, yapay zeka modelleri bilinen bir değişim-korelasyon fonksiyonelini yeniden üretmeye çalışıyor. Çalışma, sınırlandırılmış ve sınırlandırılmamış mimariler kullanarak GGA seviyesinde eğitilen modellerin performansını karşılaştırıyor. Test sonuçları, sınırlandırılmış modellerin moleküler enerji hesaplamalarında ve kristal yapıların durum denklemlerinde daha başarılı olduğunu gösteriyor.
Kimya
Yapay Zeka ile Moleküllerin Elektron Davranışını Daha Hızlı Tahmin Etmek
Kimyasal hesaplamalarda kritik olan elektron korelasyonlarının belirlenmesi için yeni bir yapay zeka yaklaşımı geliştirildi. Ranking Configuration Interaction (RCI) adı verilen bu yöntem, moleküllerdeki elektron davranışlarını tahmin etmek için geleneksel yöntemlerden farklı olarak 'sıralama' stratejisi kullanıyor. Transformer mimarisi kullanan sistem, elektronların orbital bağımlılıklarını daha doğru modelleyerek, kimyasal reaksiyonların ve moleküler özelliklerin hesaplanmasında önemli iyileştirmeler sağlıyor. Bu gelişme, ilaç tasarımından malzeme bilimlerine kadar pek çok alanda hesaplama kimyasının geleceğini şekillendirebilir.
Kimya
Yapay Zeka ile NMR Spektroskopisi: Moleküllerdeki Gizli Kimyasal Farkları Keşfetmek
Araştırmacılar, moleküllerin kimyasal özelliklerini anlamada kritik bir sorunu çözdü. Aynı yapıya sahip atomlar gerçekte farklı kimyasal ortamlarda bulunabilir, ancak geleneksel yöntemler bu farkları yakalayamıyor. Bilim insanları, NMR spektroskopisi verilerini yapay zeka ile birleştirerek CLAIM adlı yeni bir sistem geliştirdi. Bu sistem, moleküllerin 2D yapısal bilgilerini atom seviyesindeki NMR gözlemleriyle eşleştiriyor. Böylece kaybolmuş kimyasal detayları geri kazandırıyor ve dinamik moleküler davranışları daha iyi anlamamızı sağlıyor. Araştırma, ilaç keşfi ve malzeme biliminde yeni olanaklar sunuyor.
Teknoloji & Yapay Zeka
Yapay zeka kristal tasarımında büyük atılım: CrystalREPA ile kararlı kristaller
Araştırmacılar, kristal üretimi yapan yapay zeka modellerinin performansını dramatik şekilde artıran yeni bir yöntem geliştirdi. CrystalREPA adı verilen bu sistem, önceden eğitilmiş atomik potansiyel modellerinin bilgilerini kristal üretici modellere aktararak daha kararlı ve geçerli kristal yapıları oluşturmayı mümkün kılıyor. Yöntem, mevcut modellerin kristallerin nasıl göründüğünü öğrendiği ancak onları ne kadar kararlı kıldığını anlamadığı sorununu çözüyor. Üç farklı üretici model, on öğretmen model ve iki veri seti üzerinde yapılan testlerde tutarlı iyileştirmeler gösterdi. Bu gelişme, yeni malzemelerin keşfinde ve tasarımında önemli ilerlemeler sağlayabilir.
Kimya
FusionRCG: Kuantum Kimya Hesaplamalarını GPU'larda Hızlandıran Yeni Framework
Kuantum kimyasında karmaşık integrallerin hesaplanması, özellikle elektron etkileşimlerinin modellenmesinde kritik bir darboğaz oluşturuyor. Araştırmacılar, GPU'ların sınırlı bellek yapısının bu hesaplamalarda yarattığı performans sorunlarını çözmek için FusionRCG adlı yenilikçi bir framework geliştirdi. Bu sistem, hesaplama grafiklerinin yapısını optimize ederek ve bellek kullanımını akıllıca yöneterek, GPU'larda kuantum kimya hesaplamalarının verimliliğini dramatik şekilde artırıyor. Özellikle elektron itme integrallerinde 7,7 kata kadar bellek tasarrufu sağlayan bu teknoloji, moleküler simülasyonları önemli ölçüde hızlandırma potansiyeli taşıyor.
Kimya
Kuantum Kimyasında Hesaplama Hızını Artıran Yeni GPU Algoritması Geliştirildi
Araştırmacılar, kuantum kimya hesaplamalarında karşılaşılan büyük hesaplama zorluklarını aşmak için KerneLDI adlı yeni bir GPU tabanlı framework geliştirdiler. Bu sistem, moleküldeki atomlar arası uzamsal ilişkileri daha akıllı bir şekilde işleyerek, gereksiz hesaplamaları elimine ediyor ve sadece önemli blokları işleme alıyor. Geleneksel yöntemler bu tür hesaplamalarda verimsiz kalırken, yeni yaklaşım özellikle büyük moleküler sistemlerde önemli hız artışları sağlıyor. Bu gelişme, ilaç tasarımından yeni malzeme keşfine kadar birçok alanda kuantum kimya hesaplamalarının daha hızlı ve verimli yapılmasını mümkün kılacak.
Kimya
QT-Net: Atomik Kimyasal Uzayda Yapay Zeka Modellerinin Yeniden Değerlendirilmesi
Araştırmacılar, atomik özelliklerin makine öğrenmesi hedefleri olarak değerlendirilmesinde yeni bir yaklaşım geliştirdi. Kısmi yükler ve multipoller gibi atomik özellikler kimyasal açıdan anlamlı bilgiler içerse de, bu özelliklerin atom düzeyinde değerlendirilmesi zorlu bir süreç olmuştur. Yeni çalışmada, atomik ortamları SOAP tanımlayıcıları ile kümeleyerek ve sadece eğitim sırasında görülmeyen küme etiketlerini hesaba katarak bir değerlendirme protokolü önerildi. Bu protokol kullanılarak, H, C, N ve O atomlarının elektron popülasyonları ile multipollerini tahmin etmede E(3)-eşdeğişken ve eşdeğişken olmayan modeller karşılaştırıldı. Araştırma sonucunda, rotasyonel olarak güçlendirilmiş ve eşdeğişken olmayan graf sinir ağı olan Quantum Topological Neural Network (QT-Net) geliştirildi.