Makine öğrenmesi tabanlı atomlar arası potansiyel modelleri, ilk prensipler hesaplamalarının doğruluğunu düşük maliyetle sunuyor. Ancak bu modellerin farklı termodinamik koşullarda ne kadar güvenilir olduğu tartışmalıydı. Yeni araştırma, eğitim verilerinde sıcaklık çeşitliliğinden ziyade yoğunluk çeşitliliğinin çok daha kritik olduğunu ortaya koyuyor. Katı hal veritabanlarıyla eğitilen modeller sıvı benzeri koşullarda başarılı olurken gaz benzeri durumlarda başarısız oluyor. Moleküler veritabanlarla eğitilenler ise tam tersini yapıyor. Araştırmacılar, yoğunluk açısından çeşitli veri setlerinin her iki sorunu da çözdüğünü gösteriyor.

arXiv — Kimyasal Fizik 0

Teknoloji & Yapay Zeka

4 May

Yapay zeka modelleri artık kendi güvenilirliklerini ölçebiliyor

Araştırmacılar, makine öğrenmesi tabanlı atomlar arası potansiyel modellerinin ne zaman güvenilir tahminler yaptığını belirleyecek yeni bir yöntem geliştirdi. PROBE adı verilen bu teknik, mevcut modellerde herhangi bir değişiklik yapmadan, her tahminin güvenilirlik olasılığını hesaplayabiliyor. Geleneksel yöntemler birden fazla modelin bir arada kullanılmasını gerektirirken, PROBE tek bir modelin içsel temsillerini analiz ederek çalışıyor. Bu yaklaşım, özellikle büyük ölçekli yapay zeka modellerinde daha verimli ve doğru sonuçlar üretiyor. Kimyasal sistemlerin modellenmesinde kritik öneme sahip bu gelişme, yapay zekanın bilimsel araştırmalardaki güvenilirliğini artıracak.

arXiv — Kimyasal Fizik 0