AI в тест за откриване на материали

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Как графичната невронна мрежа обикновено представя кристал?
   • Като атоми (възли), свързани с връзки (ръбове)
   • Като абзац от текста
   • Като едно число
   • Като форма на звукова вълна
2. Какви бавни физични изчисления заместителите на AI често заместват за бърз скрининг?
   • Дълго разделение
   • Функционална теория на плътността (DFT)
   • Прогноза за времето
   • Проверка на правописа
3. Какво допринесе GNoME на DeepMind през 2023 г.?
   • Нов език за програмиране
   • По-бърз уеб браузър
   • Стотици хиляди прогнозирани стабилни кристални структури
   • Прахосмукачка робот
4. Защо ротационната и транслационната инвариантност е важна в моделите на материалите?
   • Прави моделите по-големи
   • Ускорява интернета
   • Изисква се по закон
   • Той поддържа прогнозите физически последователни, независимо от това как са разположени или етикетирани атомите
5. Какво е „самоуправляваща се лаборатория“ в откриването на материали?
   • Съоръжение, където AI избира кандидати, а роботите ги синтезират и тестват
   • Кола, която учи химия
   • Симулация без експерименти
   • База данни с документи
6. Отвъд термодинамичната стабилност, какво предизвикателство все повече се набляга?
   • Цветът на лабораторията
   • Дали даден материал може действително да бъде синтезиран
   • Марката на компютъра
   • Цената само на електроенергията
7. How many GNoME structures did the 2023 study report as independently experimentally verified?
   • 7 structures
   • 73,600 structures
   • 736 structures
   • All 381,000 structures
8. How does MatterGen generate candidate crystal structures?
   • It translates database titles into chemical formulas
   • It copies measured crystals without modification
   • It optimizes only the color of a rendered structure
   • A diffusion process gradually refines atom types, coordinates, and the periodic lattice