𝗡-𝗕𝗼𝗱𝘆 𝗡𝗲𝘁𝘄𝗼𝗿𝗸𝘀 𝗟𝗲𝗮𝗿𝗻 𝗔𝘁𝗼𝗺𝗶𝗰 𝗣𝗼𝘁𝗲𝗻𝘁𝗶𝗮𝗹𝘀

పరిశోధకులు అటామిక్ పొటెన్షియల్స్ కోసం కొత్త న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్‌ను రూపొందించారు. ఇది N-body నెట్‌వర్క్‌లను ఉపయోగిస్తుంది. ఈ పద్ధతి పరమాణువులలోని క్రమానుగత నిర్మాణాలను (hierarchical structures) హ్యాండిల్ చేస్తుంది.

సాధారణ నమూనాలు తరచుగా సంక్లిష్టమైన అటామిక్ సిస్టమ్స్‌తో సమస్యలను ఎదుర్కొంటాయి. ఈ కొత్త నెట్‌వర్క్‌లు భౌతిక ఖచ్చితత్వాన్ని కాపాడటానికి కోవేరియెన్స్‌ను ఉపయోగిస్తాయి. అంటే, ఈ మోడల్ పరమాణువుల భ్రమణం (rotation) మరియు స్థానభ్రంశాన్ని (translation) పరిగణనలోకి తీసుకుంటుంది.

ఈ ఆర్కిటెక్చర్ యొక్క ముఖ్య లక్షణాలు:

  • ఇది అటామిక్ ఇంటరాక్షన్‌లను మ్యాప్ చేయడానికి క్రమానుగత విధానాన్ని ఉపయోగిస్తుంది.
  • భౌతిక స్థిరత్వం కోసం ఈ మోడల్ కోవేరియెన్స్‌ను నిర్వహిస్తుంది.
  • ఇది పాత నమూనాల కంటే ఎక్కువ ఖచ్చితత్వంతో పొటెన్షియల్స్‌ను నేర్చుకుంటుంది.
  • ఈ డిజైన్ వివిధ సిస్టమ్ పరిమాణాలకు అనుగుణంగా చక్కగా స్కేల్ అవుతుంది.

కొత్త పదార్థాలలో పరమాణువులు ఎలా ప్రవర్తిస్తాయో అంచనా వేయడంలో ఈ పని శాస్త్రవేత్తలకు సహాయపడుతుంది. ఖచ్చితమైన అటామిక్ పొటెన్షియల్స్ కెమిస్ట్రీ మరియు ఫిజిక్స్‌లో మెరుగైన సిమ్యులేషన్‌లకు దారితీస్తాయి.

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

ఐచ్ఛిక అభ్యాస సమూహం: https://t.me/GyaanSetuAi