InayofuataMwongozo unaofuata
AI kwa Nyenzo za Elimu ya Wagonjwa
Maombi
MWONGOZO wa Maombi
AI katika Ugunduzi wa Nyenzo
AI inatabiri ni nyenzo zipi mpya zinaweza kuwepo, kuwa thabiti, na kuwa na mali muhimu, ikipunguza kwa kiasi kikubwa utafutaji kupitia nafasi isiyo na kikomo ya misombo inayowezekana.
Sikiliza mwongozo huuInaonyeshwa na AI · ~2 min
Katika ukurasa huudk 2 kusoma
Muhtasari
It matters for batteries, solar cells, superconductors, and catalysts where finding the right material can take decades.
Dive ya kina
AI tools can screen candidate crystals or generate structures under property constraints, but predictions need independent validation. In its 2023 GNoME study, DeepMind reported 381,000 new stable materials and 736 structures independently experimentally verified. MatterGen takes a different generative approach: its diffusion process refines atom types, coordinates, and the periodic lattice, and its paper studies fine-tuning toward property constraints. Computational stability or a generated structure alone does not establish practical synthesizability or useful measured performance.
Utekelezaji wa Ulimwengu Halisi
GNoME ya DeepMind inatabiri mamia ya maelfu ya miundo mipya ya fuwele na kupanua hifadhidata za nyenzo zinazojulikana.
Uwezo wa mwingiliano unaofunzwa na mashine unaofanya kazi kwa kasi, karibu-DFT-usahihi wa mienendo ya molekuli kwa aloi na elektroliti.
Miundo ya uzalishaji kama vile MatterGen inapendekeza fuwele zinazolengwa kwa pengo la bendi au sifa ya sumaku
Maabara za kujiendesha (k.m., A-Lab) ambapo AI huchagua watahiniwa na roboti kusanikisha na kuzibainisha kwa uhuru.
Mustakabali wa AI katika Ugunduzi wa Nyenzo
Mipaka inafunga kitanzi: muundo generative unaopendekeza nyenzo zinazolengwa, AI inapanga njia ya usanisi, na maabara za roboti zinazojitegemea kutengeneza na kuzipima kwa matokeo yanayorejea katika miundo. Tarajia ushughulikiaji bora wa usanisi, si tu uthabiti wa halijoto, pamoja na ukuaji wa uwezo wa mwingiliano unaofunzwa na mashine ambao huendesha uigaji wa molekuli kwa usahihi wa quantum lakini kasi kubwa zaidi, inayofungua majaribio marefu na makubwa.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Tengeneza chaguzi. Muundo wa kiwango cha programu huamua kama AI inaboresha matokeo halisi.
- Timu na mtiririko wa kazi. Ujumuishaji mzuri wa mtiririko wa kazi hutengeneza faida za tija ambazo watumiaji wanaweza kuamini.
- Hatari na usalama. Kesi za utumiaji zilizopangwa vizuri hupunguza uchovu wa mabadiliko na hatari ya utekelezaji.
Jihadharini na
- Kuweka kiotomatiki mchakato uliovunjika kunaweza kukuza shida zilizopo.
- Timu zinaweza kufanya otomatiki kupita kiasi na kuondoa uamuzi unaohitajika wa kibinadamu.
- Ubora unaweza kuyumba ikiwa matokeo hayatatathminiwa mara kwa mara.
Hatua zinazofuata
- Ramani ya mtiririko wa kazi wa sasa na utambue hatua ya msuguano wa juu zaidi.
- Bainisha vituo vya ukaguzi vya binadamu kabla ya otomatiki kamili.
- Fundisha watumiaji kuhusu maekelezo, njia za kupanda na viwango vya ubora.
- Fuatilia matokeo ya kiwango cha kazi ili kuthibitisha thamani endelevu.
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Take the AI in Materials Discovery quiz
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
What is AI in Materials Discovery?
AI inatabiri ni nyenzo zipi mpya zinaweza kuwepo, kuwa thabiti, na kuwa na mali muhimu, ikipunguza kwa kiasi kikubwa utafutaji kupitia nafasi isiyo na kikomo ya misombo inayowezekana. Ni muhimu kwa betri, seli za jua, superconductors, na vichocheo ambapo kupata nyenzo sahihi kunaweza kuchukua miongo kadhaa.
Je, mtandao wa neural wa grafu kawaida huwakilisha fuwele?
Fuwele kwa asili ni grafu: atomi ni nodi na vifungo vya interatomic ni kingo, hivyo basi huruhusu GNN kujifunza uhusiano wa muundo na mali.
Je, ni hesabu gani ya polepole ya fizikia ambayo washirika wa AI mara nyingi hubadilisha kwa uchunguzi wa haraka?
DFT ni sahihi lakini ni ghali; neural surrogates kukadiria utabiri wake wa mali katika milisekunde ili kuhakiki wagombeaji wengi.
GNoME ya DeepMind ilichangia nini mnamo 2023?
GNoME ilitabiri idadi kubwa ya fuwele mpya dhabiti, ikipanua kwa kiasi kikubwa hifadhidata za nyenzo za wagombea.
Kwa nini kutofautiana kwa mzunguko na tafsiri ni muhimu katika mifano ya nyenzo?
Sifa za kimaumbile hazipaswi kubadilika ikiwa unazungusha, unasonga, au unaweka lebo upya atomu; kujenga katika ulinganifu huu huboresha usahihi na ufanisi wa data.
Je, 'maabara ya kujiendesha' katika ugunduzi wa nyenzo ni nini?
Maabara zinazojiendesha hufunga kitanzi: AI inapendekeza nyenzo na mifumo ya roboti kutengeneza na kuainisha sifa, ikirudisha matokeo kwa miundo.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii