N-Body நெட்வொர்க்குகள் அணு ஆற்றல் நிலைகளைக் கற்றுக் கொள்கின்றன

ஆராய்ச்சியாளர்கள் அணு ஆற்றல் நிலைகளுக்காக (atomic potentials) ஒரு புதிய நரம்பியல் வலைப்பின்னல் கட்டமைப்பை (neural network architecture) உருவாக்கியுள்ளனர். இது N-body நெட்வொர்க்குகளைப் பயன்படுத்துகிறது. இந்த முறை அணுக்களில் உள்ள படிநிலை அமைப்புகளைக் (hierarchical structures) கையாள்கிறது.

வழக்கமான மாதிரிகள் பெரும்பாலும் சிக்கலான அணு அமைப்புகளைக் கையாள்வதில் சிரமப்படுகின்றன. இந்த புதிய நெட்வொர்க்குகள் இயற்பியல் துல்லியத்தைப் பராமரிக்க கோவேரியன்ஸைப் (covariance) பயன்படுத்துகின்றன. இதன் பொருள், இந்த மாதிரி அணுக்களின் சுழற்சி (rotation) மற்றும் இடப்பெயர்ச்சி (translation) ஆகியவற்றை மதிக்கிறது.

இந்த கட்டமைப்பின் முக்கிய அம்சங்கள்:

  • இது அணுக்களுக்கு இடையிலான தொடர்புகளை வரைபடமாக்க ஒரு படிநிலை அணுகுமுறையைப் பயன்படுத்துகிறது.
  • இயற்பியல் நிலைத்தன்மைக்காக இந்த மாதிரி கோவேரியன்ஸைப் பராமரிக்கிறது.
  • இது பழைய மாதிரிகளை விட அதிக துல்லியத்துடன் ஆற்றல் நிலைகளைக் கற்றுக் கொள்கிறது.
  • இந்த வடிவமைப்பு பல்வேறு அமைப்புகளின் அளவுகளுக்கு ஏற்ப சிறப்பாகச் செயல்படும்.

புதிய பொருட்களில் அணுக்கள் எவ்வாறு செயல்படுகின்றன என்பதை விஞ்ஞானிகள் கணிக்க இந்த ஆய்வு உதவுகிறது. துல்லியமான அணு ஆற்றல் நிலைகள் வேதியியல் மற்றும் இயற்பியலில் சிறந்த உருவகப்படுத்துதல்களுக்கு (simulations) வழிவகுக்கும்.

ஆதாரம்: https://dev.to/paperium/n-body-networks-a-covariant-hierarchical-neural-network-architecture-forlearning-atomic-potentials-5p5

விருப்பமான கற்றல் சமூகம்: https://t.me/GyaanSetuAi