“SETI” için sonuçlar
10 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka ile Elektronik Hamiltonian Öğreniminde Yeni Yöntem
Araştırmacılar, elektronik Hamiltonian'ları öğrenmek için atomik potansiyellerin süperpozisyonu yaklaşımına dayanan yeni bir makine öğrenmesi çerçevesi geliştirdi. Bu yöntem, elektron-elektron etkileşimlerini etkili şekilde modelleyerek moleküllerin elektronik yapılarını tahmin edebiliyor. Sistemde graf sinir ağları kullanılarak Kohn-Sham Fock matrisleri hesaplanıyor ve büyük temel setlere genişletilebiliyor. QM9 veri setinde yapılan testlerde, model sınır ve çekirdek orbital enerjilerini, dipol momentlerini ve tam durum yoğunluğunu başarıyla tahmin etti. Bu gelişme, kuantum kimyasalı hesaplamalarda hız ve doğruluk dengesini iyileştiren önemli bir adım olarak değerlendiriliyor.
Yapay Zeka ile Kataliz Süreçleri: CO₂'den Yakıt Üretimi Araştırmasında Büyük Adım
Bilim insanları, CO₂'nin faydalı kimyasallara dönüştürülmesinde kritik olan kataliz süreçlerini anlamak için yapay zeka destekli simülasyonlar geliştirdi. Open Catalyst 2025 adlı en büyük katı-sıvı arayüz veri setiyle eğitilen modeller, bakır yüzeylerinde CO moleküllerinin birleşme sürecini 7 nanosaniyeye kadar incelemeyi mümkün kıldı. Bu çalışma, elektriksel karbondioksit indirgeme teknolojisinin geliştirilmesinde önemli bir kilometre taşı oluşturuyor. Araştırma sonuçları, yüzey yükünün ve katyon tipinin CO dimerleşmesi üzerindeki etkisinin beklenenden zayıf olduğunu, ancak basamaklı bakır yüzeylerin daha uygun reaksiyon yolları sunduğunu gösteriyor.
Yeni Örnekleme Yöntemi Makine Öğreniminde Veri Verimliliğini Artırıyor
Araştırmacılar, kimyasal sistemlerde makine öğrenimi modellerinin eğitimi için yeni bir veri örnekleme tekniği geliştirdi. Gradient-Guided Furthest Point Sampling (GGFPS) adlı bu yöntem, moleküllerin kuvvet normlarını kullanarak eğitim setlerini daha akıllıca seçiyor. Geleneksel örnekleme yöntemlerinin aksine, GGFPS moleküllerin denge geometrilerini daha iyi temsil ediyor ve model performansını önemli ölçüde artırıyor. MD17 veri setinde yapılan testlerde, yeni yöntemin veri verimliliği ve model sağlamlığı açısından mevcut tekniklere üstünlük sağladığı görüldü.
Yapay Zeka, Moleküllerin Titreşimlerini Kuantum Doğrulukla Tahmin Ediyor
Araştırmacılar, makine öğrenmesi tabanlı kuvvet alanlarının moleküler dinamikleri ve titreşim spektroskopisini kuantum mekaniği seviyesinde doğrulukla modelleyebildiğini gösterdi. QVib adlı yeni veri seti ile test edilen bu yaklaşım, 293 molekül ve 1365 farklı yapısal formda geleneksel moleküler mekanik yöntemlerden çok daha başarılı sonuçlar verdi. Özellikle protein katlanması, infrared spektrum analizi ve biyomoleküler termodinamik hesaplamalarında büyük ilerlemeler kaydedildi. Bu teknoloji, ilaç geliştirme süreçlerini hızlandırabilir ve moleküler düzeydeki etkileşimleri daha iyi anlamamızı sağlayabilir. Araştırma, deneysel spektrumlarla yapılan karşılaştırmalarda yapay zekanın geleneksel hesaplama yöntemlerini önemli ölçüde geride bıraktığını ortaya koyuyor.
Kuantum Kimyada Hesaplama Verimliliğini Artıran Yeni Yaklaşım
Araştırmacılar, kuantum kimya hesaplamalarında kullanılan F12 korelasyon yöntemlerinin verimliliğini artıran yeni bir basis seti geliştirdi. pANO-F12 adı verilen bu yöntem, moleküllerin elektronik yapısını incelerken hem yüksek doğruluk hem de hesaplama hızı sağlıyor. Geleneksel yöntemlerde basis setlerinin boyutunun artması hesaplama maliyetini önemli ölçüde yükseltiyor. Bu çalışma, Atomik Doğal Orbital yaklaşımından esinlenerek daha kompakt ama aynı zamanda etkili basis setleri yaratmanın yolunu buldu. Yeni yaklaşım, özellikle MP2-F12 ve CCSD(F12*) gibi açık korelasyon yöntemlerinde kullanıldığında basis seti yakınsama hızını önemli ölçüde artırıyor. Bu gelişme, büyük moleküllerin kuantum mekaniksel hesaplamalarını daha pratik hale getirebilir.
Kuantum kimya için 260 bin molekülün veri seti oluşturuldu
Araştırmacılar, fotokimyasal reaksiyonlarda kritik rol oynayan konik kesişim yapılarını içeren kapsamlı bir kuantum kimya veri seti geliştirdi. 260 bin küçük molekülün temel durum ve uyarılmış durum yapılarını kapsayan bu veri seti, makine öğrenmesi ile fotokimyanın entegrasyonunu hedefliyor. Çalışma, on ağır atoma kadar olan moleküllerin (karbon, azot, oksijen, flor) geometrik yapılarını ve enerji hesaplamalarını içeriyor. Veri seti, OM2 seviyesinde optimize edilmiş temel durum geometrileri ve OM2/MRCI seviyesinde hesaplanmış enerji değerlerini sunuyor. Bu kaynak, ışık kaynaklı kimyasal reaksiyonların anlaşılmasında önemli bir boşluğu dolduruyor ve fotokimya araştırmalarında veri odaklı yaklaşımları mümkün kılıyor.
Milyarlarca Molekül Hesaplamasıyla Dev Veri Seti: THEMol
Araştırmacılar, organik moleküllerin kuantum mekaniksel özelliklerini içeren devasa bir açık kaynak veri seti olan THEMol'ü geliştirdi. Bu veri seti, 50'ye kadar ağır atomlu kapalı kabuklu organik moleküller için yaklaşık 3 milyar yoğunluk fonksiyonel teorisi hesaplaması içeriyor. THEMol, ilaç keşfi, elektrolit ve iyonik sıvı araştırmalarında kullanılabilecek kapsamlı moleküler bilgiler sunuyor. Veri seti, 3 milyondan fazla rahatlatılmış geometriye sahip Hessian alt kümesi ve yaklaşık 100 milyon kısıtlı rahatlatılmış geometriyle TorsionScan alt kümesini içeriyor. On iki temel elementi kapsayan kimyasal uzay örneklemesi ile çeşitli moleküler mimarileri barındıran bu kaynak, bilim insanlarına moleküler davranışları daha iyi anlama imkanı sağlıyor.
Yapay zeka ajanları artık kimyasal fonksiyonları kendileri geliştiriyor
Araştırmacılar, moleküler sistemlerdeki elektronik enerjileri hesaplamak için kullanılan fonksiyonları tamamen otomatik olarak geliştiren FunctionalAgent adlı bir yapay zeka sistemi yarattı. Bu sistem, birden fazla uzmanlaşmış alt-ajan kullanarak veri seti oluşturmadan fonksiyon optimizasyonuna kadar tüm süreci yönetiyor. Güçlü korelasyonlu moleküler sistemlerde elektronik enerji hesaplamalarının kalitesi, kullanılan fonksiyonların doğruluğuna bağlı olduğu için bu gelişme oldukça önemli. FunctionalAgent ile geliştirilen MC26 fonksiyonu, mevcut yöntemlere kıyasla daha yüksek doğruluk seviyesi göstermiş durumda.
Yapay Zeka Karbon Atomlarının Elektron Enerjilerini Deneysel Hassasiyetle Tahmin Etti
Araştırmacılar, karbon atomlarının çekirdek elektron bağlanma enerjilerini tahmin etmek için graf sinir ağı mimarisi geliştirdi. Organik moleküllerdeki karbon atomlarının yerel bağ çevresi etkilerini analiz eden bu model, 8637 karbon atomundan oluşan veri setiyle eğitildi. Sistem, moleküllerdeki bağ yapılarını mesaj geçişi katmanları aracılığıyla işleyerek, atomların yerel çevresindeki kimyasal etkileşimleri modelliyor. Önceki çalışmalarda 0.27 eV ortalama mutlak hata ile sınırlı kalan tahmin doğruluğu, yeni model ile deneysel sonuçlara çok daha yakın değerlere ulaştı. Bu gelişme, malzeme bilimi ve kimya araştırmalarında moleküler özelliklerin hızlı ve doğru tahmin edilmesini sağlayarak, yeni malzeme geliştirme süreçlerini hızlandırabilir.
FRIGID: Kütle Spektrumlarından Molekül Üretiminde Yapay Zeka Devrimi
Araştırmacılar, kütle spektrumu verilerinden moleküler yapıları tahmin edebilen yeni bir yapay zeka sistemi olan FRIGID'i geliştirdiler. Bu sistem, yüz milyonlarca moleküler yapı üzerinde eğitilmiş difüzyon tabanlı bir dil modeli kullanarak, spektrum verilerini kimyasal formüllere ve ardından moleküler yapılara dönüştürüyor. FRIGID, özellikle zorlu MassSpecGym test setinde %18 doğruluk oranıyla önceki yöntemleri geride bıraktı ve NPLIB1 veri setinde lider yöntemlerin performansını üç katına çıkardı. Sistem, çıkarım zamanında ek hesaplama gücü kullanarak tutarsız moleküler parçaları tespit edip düzeltebildiği için performansı sürekli artırılabiliyor. Bu gelişme, ilaç keşfi ve kimyasal analiz alanlarında önemli ilerlemeler vaat ediyor.