Moleküllerin kızılötesi spektrumlarının tahmin edilmesi, kimya ve malzeme biliminin temel taşlarından biridir. Bu spektrumlar, moleküllerin nasıl titrediğini ve hangi bağlara sahip olduğunu anlamamızı sağlar. Ancak geleneksel hesaplama yöntemleri son derece yavaş ve kaynak tüketicidir.
Yeni araştırmada, beş farklı makine öğrenmesi modeli karşılaştırılmış: SchNet ve FieldSchNet gibi değişmez modeller ile SO3Net, PaiNN ve MACE gibi dönme simetrilerini dikkate alan eşdeğişken modeller. Bu modeller, atomlar arası etkileşimleri öğrenerek moleküllerin davranışlarını tahmin edebilir.
Çalışmanın en önemli bulgusu, bu yapay sinir ağlarının neredeyse kuantum hesaplamaları kadar doğru sonuçlar üretebilmesi, ancak bunun çok daha az hesaplama gücüyle gerçekleşmesidir. Bu durum, özellikle büyük moleküller ve karmaşık sistemler için büyük avantaj sağlıyor.
Araştırmacılar, her modelin farklı güçlü yanları olduğunu keşfetti. Bazıları hesaplama hızında öne çıkarken, diğerleri doğruluk açısından daha başarılı. Bu bulgular, gelecekte hangi durumda hangi modelin kullanılması gerektiği konusunda önemli rehberlik sağlıyor.