


Die branchenweit erste Wellenfunktion eines neuronalen Netzwerks, die für feste Systeme geeignet ist, wurde in der Unterzeitschrift „Nature' veröffentlicht
Maschinelles Lernen kann riesige Datenmengen verarbeiten, wissenschaftliche Probleme in komplexen Szenarien lösen und wissenschaftliche Erkundungen in neue Bereiche führen, die bisher unerreichbar waren. DeepMind nutzt beispielsweise die künstliche Intelligenz-Software AlphaFold, um hochpräzise Vorhersagen über fast alle der wissenschaftlichen Gemeinschaft bekannten Proteinstrukturen zu treffen. Die von Christian Lagemann vorgeschlagene Methode der Partikelbild-Velocimetrie (PIV) hat die ursprüngliche rein manuelle Einstellung erheblich verbessert Der Anwendungsbereich des Modells ist für die Forschung in vielen Bereichen wie Automobil, Luft- und Raumfahrt und biomedizinischer Technik von entscheidender Bedeutung.
AlphaFold kann die Struktur fast aller bekannten Proteine vorhersagen (Quelle: DeepMind)
Es gibt genügend Daten und ein genaues Modell, um die zu lösenden wissenschaftlichen Probleme zu beschreiben, viele Grundlagenwissenschaften“ „Ein Jahrhundert „Altes Rätsel“ können alle durch maschinelles Lernen gelöst werden. Wie Strömungsmechanik, Physik der kondensierten Materie, organische Chemie usw.
Kürzlich lieferte die Arbeit „Ab-initio-Berechnung realer Feststoffe über neuronalen Netzwerkansatz“ des ByteDance AI Lab Research-Teams und der Forschungsgruppe von Chen Ji an der School of Physics der Peking-Universität eine neue Idee für das Studium der Physik der kondensierten Materie. Die vorgeschlagene Arbeit entwickelte die branchenweit erste Wellenfunktion eines neuronalen Netzwerks, die für Festkörpersysteme geeignet ist, realisierte Ab-initio-Berechnungen von Festkörpern und brachte die Berechnungsergebnisse an die thermodynamische Grenze. Dies ist ein starker Beweis dafür, dass neuronale Netze effiziente Werkzeuge für das Studium der Festkörperphysik sind, und weist auch darauf hin, dass Deep-Learning-Technologie eine immer wichtigere Rolle in der Physik der kondensierten Materie spielen wird. Relevante Forschungsergebnisse wurden am 22. Dezember 2022 in der internationalen Top-Zeitschrift Nature Communication veröffentlicht.
Link zum Papier: https://www.nature.com/articles/s41467-022-35627-1
Forschungshintergrund und Forschungsmethoden
Die Schrödinger-Gleichung für feste Systeme ist genau gelöst Einer der heiligen Grale der Physik der kondensierten Materie. In der Forschung zu kondensierter Materie wurde in den letzten Jahrzehnten die Dichtefunktionaltheorie weithin und mit großem Erfolg übernommen.
Dichtefunktionaltheorie: Eine quantenmechanische Methode, die die elektronische Struktur von Mehrelektronensystemen untersucht.
Trotzdem weist die Dichtefunktionaltheorie immer noch viele Mängel auf: Für komplexe, stark korrelierte Systeme kann die Dichtefunktionaltheorie keine genaue Beschreibung liefern; es fehlt ihr auch an einer systematischen Auswahl von Funktionalen, um ihre Genauigkeit zu verbessern. In den letzten Jahren haben im Vergleich zur Dichtefunktionaltheorie genauere und universellere Wellenfunktionsmethoden immer mehr Aufmerksamkeit und Forschung erhalten.
Angesichts dieser Situation haben das ByteDance AI Lab Research-Team und die Forschungsgruppe von Chen Ji an der School of Physics der Universität Peking eine periodische neuronale Netzwerkwellenfunktion entwickelt, die für feste Systeme geeignet ist, und sie mit der Quanten-Monte-Carlo-Methode kombiniert um First-Prinzipien-Berechnungen für feste Systeme durchzuführen. In dieser Arbeit wurde die Deep-Learning-Technologie erstmals auf die Untersuchung fester Systeme im kontinuierlichen Raum angewendet und die Berechnung an die thermodynamische Grenze gebracht.
Der Kern dieser Arbeit besteht darin, den periodischen verallgemeinerten Systemeigenvektor mit der vorhandenen Wellenfunktion des molekularen neuronalen Netzwerks zu kombinieren, um eine solide Systemwellenfunktion mit periodischer Symmetrie und vollständiger Antisymmetrie zu konstruieren. Anschließend wandte die Arbeit Quanten-Monte-Carlo-Methoden an, um neuronale Netze effizient zu trainieren, und testete sie an einer Reihe realer Festkörper.
Experimentelle Ergebnisse und Analyse
Zuerst testete der Autor eine periodische eindimensionale Wasserstoffkette. Die eindimensionale Wasserstoffkette ist eines der klassischsten Systeme in kondensierter Materie, und ihre genaue Lösung hilft Menschen, die Eigenschaften stark korrelierter Systeme zu verstehen. Die Berechnungsergebnisse zeigen, dass das neuronale Netzwerk eine ähnliche Genauigkeit wie herkömmliche Hochpräzisionsmethoden (wie Hilfsfeld-Monte-Carlo) erreichen kann.
Dann verwendete der Autor neuronale Netze, um das zweidimensionale Graphenmaterial zu berechnen. Graphen war in den letzten zwei Jahrzehnten ein heißes Forschungsmaterial. Seine einzigartigen Eigenschaften in Bezug auf Wärmeleitfähigkeit, elektrische Leitfähigkeit und andere Aspekte haben einen wichtigen Forschungs- und Anwendungswert. Diese Arbeit berechnete die Kohäsionsenergie von Graphen genau und die Berechnungsergebnisse stimmten mit den experimentellen Daten überein.
Um die Wirksamkeit der Arbeit weiter zu überprüfen, berechnete der Autor das dreidimensionale Lithium-Wasserstoff-Material und trieb den Berechnungsmaßstab an die thermodynamische Grenze. Der maximale Berechnungsmaßstab erreichte 108 Elektronen, was neuronale Netze betrifft konnten bisher maximal solide Systeme simulieren. Die berechnete Kohäsionsenergie und der Kompressionsmodul des Materials stimmen mit den experimentellen Ergebnissen überein.
Abschließend untersucht der Autor das theoretisch interessantere einheitliche Elektronengassystem. Das System des einheitlichen Elektronengases steht in engem Zusammenhang mit vielen neuartigen physikalischen Effekten (wie dem Quanten-Hall-Effekt), sodass ein tiefgreifendes Verständnis des einheitlichen Elektronengases einen wichtigen theoretischen Wert hat. Die Berechnungsergebnisse zeigen, dass das neuronale Netzwerk bei gleichmäßigem Elektronengas gute Ergebnisse erzielt und sich den Ergebnissen vieler traditioneller hochpräziser Methoden annähert oder diese sogar übertrifft.
Diese Arbeit beweist deutlich, dass neuronale Netze effiziente Werkzeuge für das Studium der Festkörperphysik sind. Mit der weiteren Verbesserung des Algorithmus wird die neuronale Netzwerktechnologie eine wichtigere Rolle in der Physik der kondensierten Materie spielen: beispielsweise bei Phasenänderungen fester Systeme, Oberflächenphysik, unkonventionellen Supraleitern usw. Die Forschung zu diesen Themen erfordert als Grundlage hochpräzise Festkörperwellenfunktionen. Gleichzeitig arbeitet der Autor auch an der Erforschung effizienterer neuronaler Netzwerkwellenfunktionen, um mehr Möglichkeiten für das Studium der Physik der kondensierten Materie zu schaffen.
Das obige ist der detaillierte Inhalt vonDie branchenweit erste Wellenfunktion eines neuronalen Netzwerks, die für feste Systeme geeignet ist, wurde in der Unterzeitschrift „Nature' veröffentlicht. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
