“değerlendirme” için sonuçlar
6 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
ChemFit: Kimyasal modelleri otomatik optimize eden yeni Python çerçevesi
Hesaplamalı kimya ve fizik alanında model parametrelerinin ayarlanması uzun yıllar araştırmacıların sezgilerine dayalı elle yapılan yorucu bir süreçti. ChemFit adlı yeni Python çerçevesi, bu süreci otomatikleştirerek bilim insanlarının işini önemli ölçüde kolaylaştırıyor. Sistem, pahalı, gürültülü ve farklılaştırılamayan objektif fonksiyonlarla başa çıkabilen gradyansız optimizasyon algoritmalarını kullanıyor. Araştırmacılar, simülasyon tabanlı objektif fonksiyonları tanımlama, birleştirme ve eş zamanlı değerlendirme imkanı sunuyor. Çerçevenin esnekliği ve geniş uygulanabilirliği, karmaşıklık düzeyi artan üç farklı örnek üzerinde test edilerek kanıtlanmış durumda.
Su Moleküllerinin Kimyasal Potansiyel Hesaplamalarında Yol Bağımlılığı Sorunu
Bilim insanları, tuzlu su çözeltilerinde su moleküllerinin kimyasel potansiyelini hesaplarken karşılaştıkları tutarsızlık sorununu araştırdı. Termodinamik kararlılığı değerlendirmede kritik olan serbest enerji hesaplamaları, özellikle iyonik türlerin polar çözücülerdeki güçlü etkileşimleri nedeniyle zorlu bir süreç. Araştırmacılar, KCl çözeltilerinde su moleküllerinin kimyasal potansiyelini sekiz farklı alkimyasal yolla hesaplayarak, van der Waals ve elektrostatik etkileşimlerin devreye alınma sırasının sonuçları nasıl etkilediğini inceledi. Teorik olarak yoldan bağımsız olması gereken sonuçların, pratikte kullanılan yönteme göre değişkenlik göstermesi, moleküler simülasyonlarda daha güvenilir hesaplama yöntemlerine duyulan ihtiyacı ortaya koyuyor.
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.
Yapay Zeka ile Molekül Özellikleri Artık Daha Kesin Tahmin Edilebilir
Moleküllerin fiziksel ve biyolojik özelliklerini tahmin etmek için yapay zeka modellerinin nasıl kullanılabileceğini inceleyen kapsamlı bir araştırma yayımlandı. Çalışma, kuantum kimyası, kemoinformatik ve derin öğrenmenin birleştirildiği dört farklı yaklaşımı analiz ediyor. Araştırmacılar, moleküler yapıdan hareketle çeşitli özelliklerin tahmin edilmesinde kullanılan mevcut yöntemleri ve veri setlerini değerlendirdi. Sonuçlar, bu alandaki mevcut standartların modernizasyona ihtiyacı olduğunu ve özellikle veri kalitesi, değerlendirme protokolleri konularında iyileştirmeler gerektiğini gösteriyor.
Yapay Zeka Kimyasal Reaksiyonların Mekanizmalarını Öğreniyor
Araştırmacılar, yapay zeka modellerine kimyasal reaksiyon mekanizmalarını öğretmek için yenilikçi bir yaklaşım geliştirdi. MechSMILES adı verilen bu sistem, elektron akışını takip eden ok-itme formalizmini kullanarak, bir asırlık kimya notasyonunu modern yapay zeka teknolojisiyle birleştiriyor. Bu gelişme, bilgisayar destekli sentez planlamasında devrim yaratabilir. Sistem, elektron yollarını yeniden oluşturarak fiziksel olarak makul reaksiyon önerileri doğrulayabiliyor, hidrojen dahil tüm atomları takip eden bütünsel atom-atom eşleştirmesi yapabiliyor ve katalizörleri ayırt eden reaksiyon şablonları çıkarabiliyor. Bu çalışma, kimyasal reaktivite ve fizibilite değerlendirmesinde temel olan reaksiyon mekanizmalarının yapay zeka tarafından anlaşılmasında önemli bir adım.
Karbon dioksiti plastik hammaddesine dönüştürme verimliliği %86'ya çıkarıldı
KAIST araştırmacıları, karbon dioksitin plastiğin temel yapı taşı olan etilene dönüştürülmesi sürecinde büyük bir adım attı. Geliştirdikleri yenilikçi elektrot tasarımı, elektrolitlerin elektrot yapısına sızması sorununu çözerek %86 verimlilik elde etmeyi başardı. Bu teknoloji, atmosferdeki CO₂'yi değerli kimyasallara dönüştürme konusunda umut vadediyor. Elektrot tasarımında yapılan değişiklik, suyu engellerken elektriksel iletkenliği ve katalitik reaksiyonları koruyor. Bu da hem verimliliği hem de sistemin kararlılığını artırıyor. Geleneksel yöntemlerde elektrotların 'su basması' büyük bir sorundu ve performansı düşürüyordu. Yeni çözüm bu sorunu aşarak endüstriyel uygulamalar için daha pratik hale getiriyor. Karbon yakalama ve değerlendirme teknolojilerinin gelişmesi iklim değişikliğiyle mücadelede kritik öneme sahip.