LegközelebbKövetkező útmutató
AI betegoktató anyagokhoz
Alkalmazások
Alkalmazási ÚTMUTATÓ
A mesterséges intelligencia megjósolja, hogy mely új anyagok létezhetnek, melyek stabilak és hasznos tulajdonságokkal rendelkeznek, így drámai mértékben lecsökkenti a keresést a lehetséges vegyületek szinte végtelen terében.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Az akkumulátorok, napelemek, szupravezetők és katalizátorok esetében fontos, ahol a megfelelő anyag megtalálása akár évtizedekig is eltarthat.
A mesterséges intelligencia eszközök képesek kiszűrni a jelölt kristályokat vagy struktúrákat generálni a tulajdonságok korlátozása mellett, de az előrejelzések független érvényesítést igényelnek. A 2023-as GNoME-tanulmányában a DeepMind 381 000 új stabil anyagról és 736, egymástól függetlenül kísérletileg igazolt szerkezetről számolt be. A MatterGen másfajta generatív megközelítést alkalmaz: diffúziós folyamata finomítja az atomtípusokat, a koordinátákat és a periodikus rácsot, tanulmánya pedig a tulajdonságok korlátai felé történő finomhangolást tanulmányozza. A számítási stabilitás vagy a generált struktúra önmagában nem alapozza meg a gyakorlati szintetizálhatóságot vagy a hasznos mért teljesítményt.
A DeepMind GNoME-ja több százezer új stabil kristályszerkezetet jósol meg és bővíti az ismert anyagadatbázisokat
Gépi tanult interatomi potenciálok gyorsan futnak, közel DFT-pontosságú molekuláris dinamika ötvözetek és elektrolitok számára
Generatív modellek, mint például a MatterGen, amely kristályokat javasol a kívánt sávrésre vagy mágneses tulajdonságra
Önvezető laborok (pl. az A-Lab), ahol a mesterséges intelligencia kiválasztja a jelölteket, a robotok pedig önállóan szintetizálják és jellemzik őket
A határ bezárja a kört: a célzott anyagokat javasoló generatív tervezés, a szintézis útvonalát megtervező mesterséges intelligencia, valamint az autonóm robotlaborok elkészítése és mérése a modellekbe visszacsatolt eredményekkel. A szintetizálhatóság jobb kezelése várható, nem csak a termodinamikai stabilitás, valamint a gépi tanult interatomi potenciálok növekedése, amelyek közel kvantumpontossággal, de sokkal nagyobb sebességgel futtatják a molekuláris szimulációkat, ami hosszabb és nagyobb kísérleteket tesz lehetővé.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A mesterséges intelligencia megjósolja, hogy mely új anyagok létezhetnek, melyek stabilak és hasznos tulajdonságokkal rendelkeznek, így drámai mértékben lecsökkenti a keresést a lehetséges vegyületek szinte végtelen terében. Az akkumulátorok, napelemek, szupravezetők és katalizátorok esetében fontos, ahol a megfelelő anyag megtalálása akár évtizedekig is eltarthat.
A kristályok természetesen gráfok: az atomok csomópontok, az atomközi kötések pedig élek, lehetővé téve a GNN-ek számára, hogy megtanulják a szerkezet-tulajdonság összefüggéseket.
A DFT pontos, de drága; A neurális helyettesítők ezredmásodpercekben közelítik meg a tulajdonság-előrejelzéseit, hogy sok jelöltet szűrjenek.
A GNoME nagyszámú új stabil kristályt jósolt meg, jelentősen bővítve a jelölt anyagok adatbázisát.
A fizikai tulajdonságok nem változhatnak, ha forgatja, mozgatja vagy átcímkézi az atomokat; ezekbe a szimmetriákba építés javítja a pontosságot és az adathatékonyságot.
Az autonóm laboratóriumok zárják a kört: az AI anyagokat javasol, és robotrendszerek készítik és jellemzik őket, és az eredményeket visszaadják a modelleknek.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI betegoktató anyagokhoz
Alkalmazások