Точное вычисление квантовых возбужденных состояний с помощью нейронных сетей |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2024-11-13 11:55 машинное обучение новости, свёрточные нейронные сети, квантовый компьютер 2018 Любая квантовая система может находиться в основном состоянии, в котором она имеет самую низкую энергию, или в одном из возбужденных состояний — там энергия выше, а число таких состояний может быть очень большим. Расчет таких состояний оказывается одним из самых сложных в вычислительной квантовой химии. Например, он необходим и для понимания поведения фотокатализаторов, флуоресцентных красителей, квантовых точек, светодиодов, лазеров и солнечных элементов. Команда Google впервые показала, что можно очень точно рассчитать возбужденные состояния квантовых систем при помощи алгоритмов глубокого обучения и вариационного метода Монте-Карло. В своей предыдущей работе этой же команде удалось продемонстрировать, как нейросеть глубокого обучения может решать уравнения Шредингера, не используя никаких данных, кроме атомных позиций и зарядов. https://www.science.org/doi/abs/10.1126/science.adn0137 Источник: www.science.org Комментарии: |
|