Bilim insanları, yapay zeka destekli graf sinir ağları kullanarak organik moleküllerdeki karbon atomlarının çekirdek elektron bağlanma enerjilerini deneysel doğruluğa yakın hassasiyette tahmin etmeyi başardı. Bu çalışma, moleküler kimya ve malzeme bilimi alanlarında önemli bir ilerleme kaydetti.
Araştırmacıların geliştirdiği model, graf sinir ağı mimarisinin avantajlarından yararlanarak çalışıyor. Bu mimari, çekirdek elektron bağlanma enerjilerinin yerel bağ çevresi etkilerine bağımlılığını modellemek için özellikle uygun. Mesaj geçişi katmanlarının sayısı, modelin algılama alanının topolojik yarıçapını belirleyerek, mimari ile yerellik tanımı arasında yorumlanabilir bir bağlantı kuruyor.
Model, 2116 molekülde bulunan toplam 8637 karbon atomu üzerinde çok konfigürasyonlu çift-yoğunluk fonksiyonel teorisi kullanılarak eğitildi. Eğitim verilerinde 4-16 atom içeren moleküller kullanılırken, test aşamasında 113 farklı molekülde bulunan 570 deneysel değerle karşılaştırıldı. Test molekülleri 3-45 atom arasında değişen boyutlarda seçildi.
Daha önceki çalışmalarda eğitim verisi seviyesindeki teori için deneysel sonuçlara göre 0.27 eV ortalama mutlak hata elde edilmişti. Yeni geliştirilen model ise bu değeri önemli ölçüde iyileştirerek deneysel değerlere çok daha yakın tahminler sunuyor.
Bu gelişme, moleküler özelliklerin hızlı ve doğru tahmin edilmesini sağlayarak, malzeme geliştirme süreçlerinde zaman ve maliyet tasarrufu sağlayabilir.