Το θεμελιώδες τμήμα της AI Research (Fair) της Meta στις 14 Μαΐου ξεκίνησε μια σημαντική συλλογή εργαλείων τεχνητής νοημοσύνης ανοιχτού κώδικα, συμπεριλαμβανομένων μοντέλων, σημείων αναφοράς και δεδομένων, σχεδιασμένα να επιταχύνουν δραματικά την επιστημονική ανακάλυψη. Το πρωτοβουλία , με στόχο την προώθηση πεδίων όπως η πρόβλεψη της μοριακής ιδιοκτησίας, η γλωσσική επεξεργασία και η νευροεπιστήμη, είναι ένα βασικό μέρος της ConcoriTive της MoTa. δυνατότητες. Τα νέα εργαλεία αντιπροσωπεύουν μια σημαντική κίνηση από το Meta για να επιταχύνουν την επιστημονική ανακάλυψη στη χημεία και τα υλικά. href=”https://newscenter.lbl.gov/2025/05/14/computational-chemistry-unlocked-a-record-breaking-dataset-to-train-ai-models-has-launched/”target=”_ blank”Τεχνολογίες.
Τα νέα σύνορα στην υπολογιστική επιστήμη
Το σύνολο δεδομένων OMOL25, που περιέχει πάνω από 100 εκατομμύρια 3D μοριακά στιγμιότυπα, περιγράφεται από το Meta ως το μεγαλύτερο και πιο ποικίλο υπολογισμό των πόρων υπολογισμού των βουομολέλων, των μεταλλικών και των ηλεκτρολυτών. Η δημιουργία του, χρησιμοποιώντας το πακέτο προγράμματος ORCA , απαίτησε μια τεράστια έξι δισεκατομμύρια βασικές ώρες υπολογισμού, σύμφωνα με το Berkeley Lab. Αυτό το σύνολο δεδομένων επιτρέπει προσομοιώσεις ατομικών συστημάτων μέχρι δέκα φορές μεγαλύτερα από ό, τι προηγουμένως είναι δυνατόν. Προσομοιώσεις για χημεία. Οι ακριβέστερες προβλέψεις της μοριακής συμπεριφοράς. Πρόσβαση Διατίθεται μέσω του προσώπου αγκαλιά και άλλων πλατφορμών, επιλέγοντας μια ανοιχτή επιστήμη. Target=”_ Blank”> Meta εισήγαγε επίσης τη δειγματοληψία Adjoint, Μια νέα τεχνική για την κατάρτιση γενετικών μοντέλων AI χωρίς προϋπάρχοντα δεδομένα, που παρουσιάζεται από την ικανότητά του να παράγει διαφορετικά μόρια με UMA. AI Blog Q & A Διευκρίνισε περαιτέρω ότι η δειγματοληψία Adjoint απευθύνεται ιδιαίτερα στο De novo Molecular Design. Rothschild Foundation Hospital Δεκαετίες χρονοδιαγράμματα που είναι τυπικά στην παραδοσιακή πειραματική ανακάλυψη. href=”https://arxiv.org/abs/2505.08762″target=”_ blank”> omol25 χαρτί , Αξιοποιεί τη λειτουργική θεωρία πυκνότητας (DFT) για να προβλέψει τις μοριακές ιδιότητες, ιδιαίτερα σε σύνθετα σενάρια που περιλαμβάνουν σχηματισμό δεσμών και σπάσιμο. Η αναγκαιότητα αξιόπιστων μοντέλων, δηλώνοντας ότι”η εμπιστοσύνη είναι ιδιαίτερα κρίσιμη εδώ, επειδή οι επιστήμονες πρέπει να βασίζονται σε αυτά τα μοντέλα για να παράγουν φυσικά υγιή αποτελέσματα που μεταφράζονται και μπορούν να χρησιμοποιηθούν για την επιστημονική έρευνα.”Η εμφάνιση του Google Deepmind, το Alphafold 3, τώρα ανοιχτή πηγή, επιτρέπει την ακαδημαϊκή έρευνα σε πολύπλοκες μοριακές αλληλεπιδράσεις για μη εμπορική χρήση. Το BioEmu-1 της Microsoft, η οποία διαμορφώνει τη δυναμική κίνηση των πρωτεϊνών. Τα μη εξειδικευμένα επίπεδα σε περιοχές όπως η ιατρική διάγνωση, τα σημαντικά κενά και τα θέματα διαφάνειας των δεδομένων εξακολουθούν να υπάρχουν. Οι αξιολογήσεις και τα σημεία αναφοράς για την παρακολούθηση της απόδοσης του μοντέλου. Εγκρίθηκαν ευρύτερα, κατέχουν την υπόσχεση να ξεκλειδώσουν νέα επιστημονικά σύνορα και να επιταχύνουν την ανάπτυξη λύσεων σε ορισμένα από τα πιο πιεστικά προβλήματα στον κόσμο.