پژوهش
EdenGNN-Uni چگالی بار مواد را بیش از یک مرتبه سریع‌تر پیش‌بینی می‌کند
پژوهشگران مدلی برای پیش‌بینی چگالی بار در سراسر جدول تناوبی معرفی کرده‌اند که به‌گفتهٔ Nature Machine Intelligence از برخی روش‌های موجود بیش از ده برابر سریع‌تر است.
مقاله‌ای منتشرشده در Nature Machine Intelligence در ۲۳ اکتبر ۲۰۲۶، چارچوبی به نام EdenGNN-Uni را برای پیش‌بینی عمومی چگالی بار معرفی می‌کند. این مدل برای عناصر سراسر جدول تناوبی طراحی شده و می‌تواند به محاسبات ساختار الکترونی مواد کمک کند. خلاصهٔ مقاله می‌گوید EdenGNN-Uni از برخی روش‌های موجود بیش از یک مرتبهٔ بزرگی سریع‌تر است؛ اما منبع مشخص نمی‌کند این مقایسه با کدام روش‌ها انجام شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: Nature Machine Intelligence — مشاهده منبع اصلی ↗
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده