


La première fonction d'onde de réseau neuronal de l'industrie adaptée aux systèmes solides a été publiée dans la sous-journal Nature
L'apprentissage automatique peut traiter d'énormes quantités de données, résoudre des problèmes scientifiques dans des scénarios complexes et mener l'exploration scientifique vers de nouveaux domaines auparavant inaccessibles. Par exemple, DeepMind utilise le logiciel d'intelligence artificielle AlphaFold pour faire des prédictions très précises de presque toutes les structures protéiques connues de la communauté scientifique ; la méthode de vélocimétrie par image de particules (PIV) basée sur l'apprentissage profond proposée par Christian Lagemann a grandement amélioré le réglage original purement manuel. de paramètres. Le champ d’application du modèle revêt une importance vitale pour la recherche dans de nombreux domaines tels que l’automobile, l’aérospatiale et le génie biomédical.
AlphaFold peut prédire la structure de presque toutes les protéines connues (Source : DeepMind)
Il existe suffisamment de données et un modèle précis pour décrire les problèmes scientifiques à résoudre, de nombreuses sciences fondamentales" "Un siècle "un vieux mystère" peut tous être résolus par l'apprentissage automatique. Comme la mécanique des fluides, la physique de la matière condensée, la chimie organique, etc.
Récemment, le travail "Calcul ab initio de solides réels via un réseau neuronal ansatz" de l'équipe de recherche du ByteDance AI Lab et du groupe de recherche de Chen Ji à l'École de physique de l'Université de Pékin a donné une nouvelle idée pour étudier la physique de la matière condensée. Les travaux proposés ont permis de développer la première fonction d'onde de réseau neuronal de l'industrie adaptée aux systèmes solides, de réaliser des calculs de principes fondamentaux pour les solides et de pousser les résultats des calculs jusqu'à la limite thermodynamique. Cela prouve clairement que les réseaux de neurones sont des outils efficaces pour étudier la physique du solide, et indique également que la technologie d'apprentissage profond jouera un rôle de plus en plus important dans la physique de la matière condensée. Les résultats de recherche pertinents ont été publiés dans la principale revue internationale Nature Communication le 22 décembre 2022. L'équation de Schrödinger pour les systèmes solides est précisément résolu L'un des Saint Graal de la physique de la matière condensée. Dans la recherche sur la matière condensée au cours des dernières décennies, la théorie de la fonctionnelle de la densité a été largement adoptée avec beaucoup de succès.
Face à cette situation, l'équipe de recherche du ByteDance AI Lab et le groupe de recherche de Chen Ji à l'École de physique de l'Université de Pékin ont conçu une fonction d'onde de réseau neuronal périodique adaptée aux systèmes solides et l'ont combinée avec la méthode quantique de Monte Carlo. pour réaliser les calculs des premiers principes pour les systèmes solides. Dans ce travail, la technologie d’apprentissage profond a été appliquée pour la première fois à l’étude de systèmes solides dans un espace continu, poussant les calculs jusqu’à la limite thermodynamique. Le cœur de ce travail est de combiner le vecteur propre du système généralisé périodique avec la fonction d'onde du réseau neuronal moléculaire existant pour construire une fonction d'onde du système solide avec une symétrie périodique et une antisymétrie complète. Les travaux ont ensuite appliqué les méthodes quantiques de Monte Carlo pour entraîner efficacement les réseaux neuronaux et les ont testés sur une gamme de solides réels.
Résultats expérimentaux et analyses
Tout d'abord, l'auteur a testé sur une chaîne d'hydrogène périodique unidimensionnelle. La chaîne d’hydrogène unidimensionnelle est l’un des systèmes les plus classiques de la matière condensée, et sa solution précise aide les gens à comprendre les caractéristiques des systèmes fortement corrélés. Les résultats du calcul montrent que le réseau neuronal peut atteindre une précision similaire aux méthodes traditionnelles de haute précision (telles que le champ auxiliaire Monte Carlo).
Ensuite, l'auteur a utilisé des réseaux de neurones pour calculer le matériau graphène bidimensionnel. Le graphène a été un matériau de recherche très prisé au cours des deux dernières décennies. Ses propriétés uniques en matière de conductivité thermique, de conductivité électrique et d'autres aspects ont une valeur importante en matière de recherche et d'application. Ce travail a calculé avec précision l'énergie de cohésion du graphène et les résultats du calcul étaient cohérents avec les données expérimentales.
Afin de vérifier davantage l'efficacité des travaux, l'auteur a calculé le matériau tridimensionnel lithium-hydrogène et a poussé l'échelle de calcul jusqu'à la limite thermodynamique. L'échelle de calcul maximale a atteint 108 électrons, ce que représentent les réseaux de neurones. ont été capables de faire jusqu'à présent des systèmes solides maximaux simulés. L'énergie de cohésion et le module de volume calculés du matériau sont cohérents avec les résultats expérimentaux.
Enfin, l’auteur étudie le système gazeux d’électrons uniforme, théoriquement plus intéressant. Le système de gaz électronique uniforme est étroitement lié à de nombreux effets physiques nouveaux (tels que l'effet Hall quantique), de sorte qu'une compréhension approfondie du gaz électronique uniforme a une valeur théorique importante. Les résultats du calcul montrent que le réseau neuronal obtient de bons résultats sur un gaz d'électrons uniforme, approchant voire dépassant les résultats de nombreuses méthodes traditionnelles de haute précision.
Ces travaux prouvent clairement que les réseaux de neurones sont des outils efficaces pour étudier la physique du solide. Avec l'amélioration continue de l'algorithme, la technologie des réseaux neuronaux jouera un rôle plus important dans la physique de la matière condensée : comme les changements de phase des systèmes solides, la physique des surfaces, les supraconducteurs non conventionnels, etc. La recherche sur ces sujets nécessite comme pierre angulaire des fonctions d’onde solide de haute précision. Dans le même temps, l’auteur travaille également à la recherche de fonctions d’onde de réseau neuronal plus efficaces afin d’offrir davantage de possibilités pour l’étude de la physique de la matière condensée.
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

AI Hentai Generator
Générez AI Hentai gratuitement.

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)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

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

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
