Künstliche Intelligenz entschlüsselt das mysteriöse molekulare Gefüge von Wasser

Da diese Identifikatoren unabhängig voneinander entwickelt

Da diese Identifikatoren unabhängig voneinander entwickelt wurden, basieren sie auf unterschiedlichen Skalen, Größenordnungen und Datentypen. Diese Situation erschwerte eine direkte Vergleichbarkeit und die Feststellung, welche Methode das Verhalten ärt.

Frühere Studien zeigten, dass maschinelles Lernen effektiv ist, um strukturelle Daten zu klassifizieren und zu verstehen. In dieser Arbeit wollten wir insbesondere ein neuronales Netzmodell einsetzen, um die Genauigkeit der Deskriptoren bei der Erfassung grundlegender struktureller Informationen zu bewerten, die der menschlichen Wahrnehmung ähneln.

Bestimmung der effektivsten Deskriptoren Die Forscher nutzten zur Schulung der Künstlichen Intelligenz strukturelle Daten aus Molekulardynamik-Simulationen von überkritischem Wasser. Das neuronale Netz lernte, sinnvolle Muster innerhalb der Daten zu erkennen.

Was die Studie zeigt

Mithilfe des erworbenen Wissens verglich das neuronale Netz, wie es 16 verschiedene Deskriptoren unterschieden, um bei verschiedenen Temperaturen hochdichte und niedrigdichte Flüssigkeitsstrukturen zu identifizieren. Auf diese Weise wurden die effizientesten Deskriptoren ermittelt.

Es wird erwartet, dass dieses neu entwickelte Rahmenwerk das Verständnis der Zusammenhänge zwischen mikroskopischen strukturellen Veränderungen und dem thermodynamischen Verhalten wird nicht nur dazu beitragen, die Ursachen der außergewöhnlichen Eigenschaften ären, sondern auch zur Entwicklung wirksamerer Instrumente für die Untersuchung eines der wichtigsten Stoffe der Natur beitragen.