Yapay zeka modellerinin atomik kimyasal uzayda değerlendirilmesi konusunda önemli bir adım atıldı. Araştırmacılar, atomik özellikler ile moleküler özellik tahminleri arasındaki ilişkiyi daha iyi anlayabilmek için yeni bir değerlendirme protokolü geliştirdi.
Kısmi yükler ve multipoller gibi atomik özellikler, moleküllerin kimyasal davranışları hakkında değerli bilgiler taşır. Ancak bu özelliklerin makine öğrenmesi modellerinde hedef olarak kullanılması, atom düzeyinde uygun bir değerlendirme protokolünün eksikliği nedeniyle karmaşık bir süreç olmuştur. Yeni yaklaşım, atomik ortamları SOAP (Smooth Overlap of Atomic Positions) tanımlayıcıları kullanarak kümeler halinde düzenleyerek bu sorunu çözmeyi hedefliyor.
Araştırma ekibi, 5x5 çapraz doğrulama ve Tukey'nin HSD testi kullanarak istatistiksel açıdan sağlam bir karşılaştırma gerçekleştirdi. Bu karşılaştırmada, E(3)-eşdeğişken modeller ile eşdeğişken olmayan, rotasyonel olarak güçlendirilmiş modeller arasında hidrojen, karbon, azot ve oksijen atomlarının elektron popülasyonları ve multipol tahminleri açısından analiz yapıldı.
Çalışmanın sonucu olarak geliştirilen Quantum Topological Neural Network (QT-Net), rotasyonel güçlendirilmiş ve eşdeğişken olmayan bir graf sinir ağı yapısına sahip. Bu yeni model, atomik kimyasal uzayda daha etkili değerlendirmeler yapabilme potansiyeli taşıyor.