


DeepMind développe un réseau neuronal variationnel Monte Carlo pour les calculs de chimie quantique
Ici, des chercheurs de DeepMind et de l'Imperial College de Londres s'attaquent à ce problème en utilisant une fonction d'onde de réseau neuronal fermionique (FermiNet) récemment développée qui ne repose pas sur un ensemble de base. FermiNet s'est avéré produire des énergies d'état fondamental très précises et, dans certains cas, à la pointe de la technologie, dans une gamme d'atomes et de petites molécules avec une variété de propriétés qualitatives de liaison aux positons.
Les chercheurs ont calculé les énergies de liaison de la difficile molécule non polaire de benzène et ont trouvé un bon accord avec les valeurs expérimentales et ont obtenu des taux d'annihilation plus favorables que ceux obtenus en utilisant des fonctions d'onde gaussiennes explicitement corrélées. Les résultats démontrent les avantages généraux des méthodes basées sur les fonctions d'onde des réseaux neuronaux et les appliquent à des systèmes autres que l'hamiltonien moléculaire standard.
La recherche pertinente s'intitulait "Neural network variational Monte Carlo for posittronic chemistry" et a été publiée dans "Nature Communications" le 18 juin.
Lien papier : https://www.nature.com/articles/s41467-024-49290-1 Les progrès des configurations expérimentales pour capturer un grand nombre de positrons ont conduit au développement d'outils informatiques plus efficaces pour décrire l'état de liaison des positrons, accélérer l’innovation de la technologie de l’antimatière. Les calculs de chimie quantique des propriétés de l’état fondamental des complexes positons-molécules sont difficiles. La principale difficulté réside dans l’utilisation d’un ensemble de bases approprié pour représenter la coalescence entre électrons et positons.
Ici, les chercheurs proposent une nouvelle méthode pour calculer les propriétés de l'état fondamental de l'état lié aux positrons d'une molécule, basée sur l'hypothèse de la fonction d'onde du réseau neuronal récemment développée pour QMC. Les réseaux de neurones Fermion (FermiNet) modélisent les fonctions d'ondes multi-corps sans référence à un ensemble de fonctions de base. Cela évite commodément bon nombre des difficultés décrites ci-dessus dans la description de la fonction d’onde des positons.
Les chercheurs ont étendu FermiNet pour représenter la composante positon de la fonction d’onde aussi bien que la composante électronique. Avec des modifications minimes de l’architecture du réseau neuronal, des hypothèses flexibles et précises sur la fonction d’onde hybride électron-positon peuvent être obtenues. Les énergies de liaison des positons et les taux d'annihilation ont été calculés pour une série de systèmes dotés de différents mécanismes de liaison des positons, et la plus grande précision pour les énergies de l'état fondamental de ces systèmes a été obtenue.
Les résultats sur les hydrures positroniques, les atomes de sodium et de magnésium et les petites molécules diatomiques montrent que la méthode peut atteindre une précision de pointe par rapport aux études précédentes. De plus, les résultats pour les molécules non polaires de dilithium et de benzène montrent que cette précision est préservée lors de la description de modes de liaison de positrons entièrement contrôlés par de forts effets de corrélation électron-positon.
Le diagramme ci-dessous fournit une compréhension intuitive du mécanisme de liaison entre les molécules non polaires et les positons : la liaison dominée par la corrélation est facilitée par les centres de densité électronique accrue éloignés des noyaux de la molécule. Dans le dilithium, il s'agit d'une liaison covalente ; dans le benzène, il s'agit d'une augmentation de la densité électronique au centre de la molécule due à la délocalisation des liaisons π dans l'anneau.
Illustration : Densité de particule unique à l’état fondamental du lithium positron et du benzène. (Source : article) L'énergie de liaison des positons du benzène obtenue par cette méthode est très proche de la valeur expérimentale et de la théorie à plusieurs corps de Hofierka et al. Et les taux d’annihilation obtenus sont comparables aux calculs ECG-SVM de haute précision des atomes de métaux alcalins et des petites molécules. De plus, les taux d'annihilation 2γ des atomes et molécules de positrons accumulés à l'aide de la fonction d'onde FermiNet sont comparés aux résultats obtenus par diverses autres méthodes de calcul, comme le montre le tableau suivant : Tableau : Comparé aux taux d'annihilation obtenus par diverses autres méthodes de calcul Rapport, taux d'annihilation 2γ des atomes et molécules de positrons accumulés à l'aide des fonctions d'onde FermiNet. (Source : article)
1. Par rapport à d'autres méthodes, ECG-SVM calcule le taux d'annihilation en construisant des caractéristiques qui capturent au mieux la fonction d'onde.
- En résumé, la méthode ECG-SVM produit des résultats très précis pour une grande variété de molécules avec divers mécanismes de liaison aux positons sans ajustements spécifiques au système.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds











Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).

Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel

La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.

Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.

En 2023, presque tous les domaines de l’IA évoluent à une vitesse sans précédent. Dans le même temps, l’IA repousse constamment les limites technologiques de domaines clés tels que l’intelligence embarquée et la conduite autonome. Sous la tendance multimodale, le statut de Transformer en tant qu'architecture dominante des grands modèles d'IA sera-t-il ébranlé ? Pourquoi l'exploration de grands modèles basés sur l'architecture MoE (Mixture of Experts) est-elle devenue une nouvelle tendance dans l'industrie ? Les modèles de grande vision (LVM) peuvent-ils constituer une nouvelle avancée dans la vision générale ? ...Dans la newsletter des membres PRO 2023 de ce site publiée au cours des six derniers mois, nous avons sélectionné 10 interprétations spéciales qui fournissent une analyse approfondie des tendances technologiques et des changements industriels dans les domaines ci-dessus pour vous aider à atteindre vos objectifs dans le nouveau année. Cette interprétation provient de la Week50 2023

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX La rétrosynthèse est une tâche essentielle dans la découverte de médicaments et la synthèse organique, et l'IA est de plus en plus utilisée pour accélérer le processus. Les méthodes d’IA existantes ont des performances insatisfaisantes et une diversité limitée. En pratique, les réactions chimiques provoquent souvent des modifications moléculaires locales, avec un chevauchement considérable entre les réactifs et les produits. Inspirée par cela, l'équipe de Hou Tingjun de l'Université du Zhejiang a proposé de redéfinir la prédiction rétrosynthétique en une seule étape en tant que tâche d'édition de chaînes moléculaires, en affinant de manière itérative la chaîne moléculaire cible pour générer des composés précurseurs. Et un modèle rétrosynthétique basé sur l'édition, EditRetro, est proposé, qui permet d'obtenir des prédictions diverses et de haute qualité. Des expériences approfondies montrent que le modèle atteint d'excellentes performances sur l'ensemble de données de référence standard USPTO-50 K, avec une précision top 1 de 60,8 %.

Editeur | ScienceAI Sur la base de données cliniques limitées, des centaines d'algorithmes médicaux ont été approuvés. Les scientifiques se demandent qui devrait tester les outils et comment le faire au mieux. Devin Singh a vu un patient pédiatrique aux urgences subir un arrêt cardiaque alors qu'il attendait un traitement pendant une longue période, ce qui l'a incité à explorer l'application de l'IA pour réduire les temps d'attente. À l’aide des données de triage des salles d’urgence de SickKids, Singh et ses collègues ont construit une série de modèles d’IA pour fournir des diagnostics potentiels et recommander des tests. Une étude a montré que ces modèles peuvent accélérer les visites chez le médecin de 22,3 %, accélérant ainsi le traitement des résultats de près de 3 heures par patient nécessitant un examen médical. Cependant, le succès des algorithmes d’intelligence artificielle dans la recherche ne fait que le vérifier.
