Artificial Intelligence in Computational and Materials Chemistry: Prospects and Limitations
Notice bibliographique
Résumé
Abstract Computational chemistry, at the intersection of theoretical chemistry and computer science, employs various models to analyze molecular structures and properties, enabling the understanding and prediction of intricate chemical processes. The integration of artificial intelligence (AI) has revolutionized several fields, particularly in materials chemistry, with applications spanning drug discovery, materials design, and quantum mechanics. However, challenges related to quantum system complexity, model interpretability, and data quality remain a few of the Achilles’ heel of AI applications. This paper provides an overview of AI’s evolution in computational and materials chemistry, focusing on several applications. AI’s transformative potential in materials chemistry is emphasized, facilitating precise material property predictions, crucial for industries reliant on materials innovation. In materials chemistry, AI has led to substantial advancements, enabling the rapid discovery of materials with tailored properties. Yet, the challenges of modeling complex quantum systems, achieving model interpretability, and accessing high-quality data remain. The integration of AI into computational and materials chemistry promises to reshape the field, revolutionizing chemical research, materials design, and technological innovation. In order to harness AI’s full potential, transparent AI models, advanced quantum simulations, optimized data utilization, scalable computing, interdisciplinary collaboration, and ethical AI practices are essential.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».