“atomik potansiyel” için sonuçlar
5 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka İle Kimyasal Reaksiyonların Enerji Haritaları Çıkarılıyor
Araştırmacılar, kimyasal reaksiyonların enerji profillerini haritalandırmak için yeni bir yöntem geliştirdi. Geleneksel yoğunluk fonksiyonel teorisi hesaplamaları son derece pahalı olduğu için, bilim insanları makine öğrenmesi tabanlı atomik potansiyeller kullanıyor. Ancak bu potansiyellerin doğruluğu eğitim verilerine bağlı olarak değişiyor. Yeni çalışmada, tek bir makine öğrenmesi modeliyle elde edilen serbest enerji profillerinin diğer modellere uyarlanması için sistematik bir çerçeve sunuluyor. Bu yöntem, büyük sistemlerde geleneksel yeniden ağırlıklandırma tekniklerinin başarısız olduğu durumlarda analitik düzeltmeler kullanıyor. 601 atomlu kompleks bir sistemde lityum iyon transportu üzerinde test edilen bu yaklaşım, hesaplama maliyetlerini dramatik şekilde azaltırken güvenilir sonuçlar veriyor.
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.
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.
Atomik düzen ile yarıiletkenlerde ısı geçişi sorunu çözülüyor
Elektronik cihazların performansını sınırlayan en önemli faktörlerden biri, farklı malzemeler arasındaki ısı geçiş verimliliğidir. Araştırmacılar, makine öğrenmesi destekli atomik potansiyeller ve kafes dinamiği hesaplamalarını birleştiren yeni bir yaklaşım geliştirdi. Bu çalışma, güç elektroniğinde kritik öneme sahip beta-galyum oksit ve silisyum karbür malzemeleri arasındaki ısı transferini inceliyor. Bulgular, malzeme arayüzeyindeki atomik düzenin ısı geçişini nasıl etkilediğini ortaya koyuyor ve gelecek nesil elektronik cihazların tasarımına ışık tutuyor.
Yapay Zeka Tabanlı Atom Potansiyelleri Nasıl Öğreniyor?
Son yıllarda geliştirilen evrensel makine öğrenmesi atom-arası potansiyelleri (uMLIP), geniş kimyasal yapı ve bileşim yelpazesinde yeryüzü enerji yüzeylerini makul doğrulukla tahmin edebiliyor. Farklı mimarilere ve veri setlerine sahip olmalarına rağmen, bu modeller muazzam miktardaki kimyasal bilgiyi açıklayıcı gizli özellikler halinde sıkıştırma yetisini paylaşıyor. Yeni araştırma, bu farklı uMLIP'lerin ne öğrendiğini sistematik olarak inceliyor ve gizli özelliklerinin bilgi içeriğini yeniden yapılandırma hataları ile değerlendiriyor. Bulgular, uMLIP'lerin kimyasal uzayı önemli ölçüde farklı şekillerde kodladığını ve modeller arasında büyük özellik yeniden yapılandırma hataları bulunduğunu gösteriyor. Bu çalışma, yapay zeka modellerinin kimyasal dünyayı nasıl anladığını derinlemesine anlamamızı sağlıyor.