Key points are not available for this paper at this time.
تعتبر القدرة على اكتشاف مواد جديدة بخصائص مرغوبة أمراً حاسماً للعديد من التطبيقات، بدءاً من المساعدة في التخفيف من تغير المناخ إلى التقدم في أجهزة الحاسوب من الجيل القادم. لدى الذكاء الاصطناعي القدرة على تسريع اكتشاف وتصميم المواد من خلال استكشاف الفضاء الكيميائي بشكل أكثر فعالية مقارنةً بالطرق الحسابية الأخرى أو من خلال التجربة والخطأ. وعلى الرغم من التقدم الكبير الذي تم إحرازه في استخدام الذكاء الاصطناعي لبيانات المواد، إلا أن الحاجز الذي ظهر هو نقص البيانات التدريبية المتاحة للجمهور والنماذج المدربة مسبقاً. لمعالجة هذا، نقدم إصدار Meta FAIR لمجموعة بيانات Open Materials 2024 (OMat24) واسعة النطاق مع مجموعة مصاحبة من النماذج المدربة مسبقاً. تحتوي OMat24 على أكثر من 110 مليون حسابات نظرية الكثافة (DFT) تركز على التنوع الهيكلي والتركيبي. تحقق نماذج EquiformerV2 لدينا أداءً متقدماً في تصنيف Matbench Discovery وقادرة على توقع استقرار الحالة الأرضية والطاقة اللازمة للتكوين مع درجة F1 تزيد عن 0.9 ودقة تبلغ 20 ميلي الكترون فولت/ذرة، على التوالي. نستكشف تأثير حجم النموذج وأهداف إزالة الضوضاء المساعدة، والتحسين الدقيق على الأداء عبر مجموعة من مجموعات البيانات بما في ذلك OMat24 وMPtraj وAlexandria. تتيح الإصدارة المفتوحة لمجموعة بيانات OMat24 والنماذج للمجتمع البحثي البناء على جهودنا ودفع المزيد من التقدم في علوم المواد المدعومة بالذكاء الاصطناعي.
درس باروسو-لوكي وآخرون (الأربعاء) هذا السؤال.