“sinir ağı” için sonuçlar
6 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay zeka ile kimyasal reaksiyonları öğrenmek: Yeni sinir ağı modeli geliştirildi
Araştırmacılar, kimyasal reaksiyonların basınca bağlı davranışlarını daha doğru modelleyebilen yeni bir yapay zeka sistemi geliştirdi. Kolmogorov-Arnold Kimyasal Reaksiyon Sinir Ağları (KA-CRNN) adlı bu sistem, geleneksel modellerin aksine ampirik formüllere ihtiyaç duymadan karmaşık reaksiyon kinetiğini öğrenebiliyor. Yanma ve endüstriyel kimya sistemlerinde kritik öneme sahip bu gelişme, hem fiziksel yasalara uygunluğu koruyarak hem de basınç değişimlerinin etkilerini otomatik olarak hesaplayabiliyor. Bu yenilik, kimya endüstrisinde daha hassas süreç kontrolü ve optimizasyonu sağlayabilir.
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.
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.
Kuantum kimyasında sinir ağları için yeni deterministik optimizasyon yaklaşımı
Araştırmacılar, kuantum kimyasındaki karmaşık moleküler sistemleri analiz etmek için Neural Network Quantum States (NQS) yönteminin optimizasyonunda çığır açan bir yaklaşım geliştirdi. Geleneksel stokastik yöntemlerin örnekleme varyansı ve yavaş karışım problemlerini aşan bu deterministik framework, sinir ağı tabanlı dalga fonksiyonlarının optimizasyonunu büyük ölçüde hızlandırıyor. Hibrit CPU-GPU mimarisi kullanan sistem, 10^23 konfigürasyon içeren Hilbert uzaylarında hesaplama yapabilme kapasitesi sunuyor. Bu gelişme, krom dimeri gibi güçlü korelasyonlu sistemlerin analizi için yeni imkanlar yaratırken, moleküler bağ kopmalarının incelenmesinde kararlı yakınsama sağlıyor.
Yapay Zeka Suyun Gizli Yapısını Çözüyor: Süper Soğutulmuş Su Araştırması
Bilim insanları, suyun anormal davranışlarını anlamak için yapay zeka teknolojisini kullanarak çığır açan bir araştırma gerçekleştirdi. Süper soğutulmuş suyun moleküler yapısını incelemek üzere geliştirilen sinir ağı tabanlı sistem, 16 farklı yapısal tanımlayıcıyı karşılaştırarak hangilerinin sıcaklık değişimlerine bağlı yapısal değişiklikleri en iyi tespit ettiğini belirledi. Su moleküllerinin tetrahedral hidrojen bağ ağları oluşturduğu ve bunların suyun benzersiz özelliklerini belirlediği biliniyordu, ancak bu çalışma hangi yapısal özelliklerin en kritik olduğunu objektif olarak ortaya koydu. Araştırma, suyun yüksek ve düşük yoğunluklu fazları arasındaki geçişi daha iyi anlamamıza kağıt açıyor.
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.