Jean-Paul Olivier, Berlin Təlim və Məlumatların Əsasları İnstitutu – BIFOLD tərəfindən

Lisa Lock tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Yeni süni intellekt bütün molekulu görür: Əsasən atomun ətrafını tutan əvvəlki metodlardan fərqli olaraq, Evklid Sürətli Diqqəti uzaq bölgələri də birbaşa əhatə edə bilər. Mənbə: BIFOLD

Berlindəki Google DeepMind, BIFOLD və Berlin Texniki Universitetinin tədqiqatçıları kimyəvi sistemlərdə qlobal atom qarşılıqlı təsirlərinin daha səmərəli şəkildə təmsil olunmasına imkan verən yeni bir maşın öyrənmə metodu – Evklid Sürətli Diqqəti (EFA) təqdim etdilər. Bu, gələcəkdə kimyəvi və materialşünaslıq proseslərinin daha dəqiq simulyasiyasına imkan verə bilər ki, bu da potensial olaraq yeni dərmanların, daha səmərəli batareyaların və daha dayanıqlı materialların inkişafını sürətləndirə bilər.

“Evklid sürətli diqqəti ilə maşın öyrənmə qlobal atom təsvirləri” adlı əsər 2026-cı ilin mart ayında Nature Machine Intelligence jurnalında dərc edilib.

Atomları simulyasiya etmək niyə bu qədər çətindir

Məsələn, bir dərmanın necə işlədiyini dəqiq başa düşmək üçün elm adamları molekullardakı atomların necə hərəkət etdiyini və bir-biri ilə necə qarşılıqlı təsir göstərdiyini dəqiq hesablamalıdırlar. Bu cür simulyasiyalar müasir dərman inkişafının, eləcə də yeni materialların və daha səmərəli katalizatorların dizaynının əsasını təşkil edir. Lakin, bir çox hesablama metodları mürəkkəbliklərinə görə yüzlərlə və ya minlərlə atom ehtiva edən daha böyük molekullarla işləyərkən həddinə çatır.

Atom sistemlərinin modelləşdirilməsi çətindir, çünki hər bir atom eyni vaxtda yalnız yaxın qonşularından deyil, həm də uzaqda yerləşən bəzi atomlar da daxil olmaqla bir çox digər atomlardan gələn qüvvələri hiss edir. Bu, bir yerdəki kiçik dəyişikliklərin belə bütün sistemin davranışına təsir edə biləcəyi olduqca mürəkkəb çoxcisimli sistemə gətirib çıxarır.

Fizika modellərində özünə diqqətin hədləri

Bu prosesdə mərkəzi rolu müasir maşın öyrənməsində özünə diqqət kimi tanınan fundamental bir konsepsiya oynayır. Bu konsepsiya modellərə fərdi məlumat hissələrinin əhəmiyyətini bütün digər məlumatlar kontekstində qiymətləndirməyə və bununla da uzunmüddətli əlaqələri ələ keçirməyə imkan verir. Lakin atomların sayı artdıqca, müvafiq qarşılıqlı təsirlərin sayı təxminən atomların sayının kvadratı ilə artır. Bu, fiziki sistemlərin dəqiq modelləşdirilməsi üçün özünə diqqətin istifadəsini hesablama baxımından olduqca bahalı edir və ümumiyyətlə simulyasiya edilə bilən atomistik strukturların ölçüsünü məhdudlaşdırır.

Evklid sürətli diqqəti necə işləyir

Tədqiqat qrupunun yeni metodu məhz burada rol oynayır. Alimlər bu qarşılıqlı təsirlərin yeni, xətti miqyaslı təsvirini hazırladılar. Bu təsvir, xüsusilə Evklid fəzasındakı məlumatlar üçün hazırlanmışdır. Burada klassik həndəsə qaydalarının, məsələn, nisbi mövqeləri və istiqamətləri dəqiq proqnozlar üçün çox vacib olan molekullar və materiallardakı atomlara tətbiq olunduğu kimi, xüsusi olaraq hazırlanmışdır.

Bu yanaşmanın əsas aspektlərindən biri məkan məlumatlarının vacib fiziki simmetriyaları pozmadan səmərəli şəkildə təmsil oluna bilməsidir. Tədqiqatçılar öz təcrübələrində göstərirlər ki, EFA müxtəlif uzunməsafəli effektləri effektiv şəkildə əks etdirir və ənənəvi maşın öyrənmə qüvvə sahələrinin səhv nəticələr verə biləcəyi kimyəvi qarşılıqlı təsirləri təsvir edə bilir. Bu, nisbətən aşağı hesablama səyi tələb edərkən, böyük məsafələrdə qarşılıqlı təsirləri etibarlı şəkildə əks etdirməyə imkan verir.

Kimya və materialşünaslıq üçün təsirləri

“Yanaşmamız yeni dərin öyrənmə metodlarından istifadə edərək çoxcisimli sistemlərin daha kvant-mexaniki cəhətdən dəqiq modelləşdirilməsi istiqamətində mühüm yeni bir addım atmağa imkan verir”, BIFOLD-un həmsədri və Berlin Texniki Universitetinin professoru professor Klaus-Robert Müller deyir.

Buna görə də, iş kimya və fizikada çoxcisimli sistemlərin modelləşdirilməsində əsas sualı həll edir: Böyük sistemlər üçün tələb olunan hesablama səmərəliliyindən ödün vermədən qlobal struktur məlumatları atom modellərinə necə daxil edilə bilər? Metod xüsusilə böyük molekullarla səmərəli işləmək üçün nəzərdə tutulduğundan, gələcəkdə böyük və ya mürəkkəb materiallar kimi xüsusilə tələbkar sistemlərə də tətbiq oluna bilər.

Müəlliflər EFA-nı çətin kimya və materialşünaslıq simulyasiyaları üçün maşın öyrənmə metodlarını daha möhkəm və daha səmərəli etmək üçün perspektivli bir yanaşma kimi görürlər.

Nəşr detalları

J. Thorben Frank və digərləri, Evklid sürətli diqqəti ilə maşın öyrənməsinin qlobal atom təsvirləri, Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01195-y

Jurnal məlumatı: Təbiət Maşın Zəkası 

Berlin Təlim və Məlumatların Əsasları İnstitutu tərəfindən təmin edilib – BIFOLD