Majorana 2: chip cuántico de Microsoft y la IA agente en I+D
Majorana 2: fiabilidad 1000x mayor gracias a IA agente. Conoce cómo Microsoft comprime el ciclo de I+D cuántico con agentes inteligentes.
#material
Difusión sin Ajuste Fino para Generar Cristales Inorgánicos
Descubre cómo un modelo de difusión sin ajuste fino genera estructuras cristalinas inorgánicas con restricciones adaptativas, validando estabilidad termodinámica. ¡Innovación en ciencia de materiales!
ReciNet: Modelado de largo alcance en espacio recíproco para predicción de propiedades cristalinas
Descubre ReciNet, un modelo de IA que predice propiedades cristalinas usando el espacio recíproco con precisión superior en benchmarks de materiales.
Surrogados profundos con física para la ecuación de Boltzmann de fonones
Nuevo sustituto profundo con física reduce hasta un 70% los datos de entrenamiento para simular transporte térmico a nanoescala, con errores del 5%. Ideal para diseño de materiales.
¿Hasta dónde pueden crecer los modelos generativos de materiales?
Descubre RADII, el primer benchmark que mide la frontera de extrapolación en modelos generativos de materiales. ¿Hasta dónde pueden escalar?
Majorana 2: el nuevo chip cuántico de Microsoft acelera la computación útil
Microsoft presenta Majorana 2, un chip cuántico topológico con qubits 1000 veces más fiables. Un hito hacia la computación cuántica útil.
Diseño de procesamiento de materiales con texto estructurado ligero y LLM
Un nuevo marco de IA combina bases de datos textuales ligeras y LLM para planificar síntesis de nanomateriales, logrando resultados en solo tres iteraciones.
Generación de Estructuras de Complejos Metálicos con Difusión en Variedades
Descubre cómo TMCgen, un modelo de difusión en variedades, genera geometrías precisas de complejos metálicos para catálisis y diseño de fármacos. ¡Aprende más!
Dataset de referencia para catálisis en MXenes 2D
Nuevo dataset de 50.000 cálculos DFT para MXenes 2D acelera la catálisis hasta 1000x con machine learning. ¡Descubre más!
ML para homogeneizar materiales hiperelásticos con microestructuras booleanas
Descubre cómo una red neuronal predice parámetros de Lamé en materiales hiperelásticos con microestructuras booleanas. Modelo sustituto eficaz.
MPMWorlds: Simulaciones MPM para inferir y extrapolar dinámicas físicas
Descubre MPMWorlds, un dataset de simulaciones físicas con el Método de Puntos Materiales. Comparamos generación de código y difusión de video para inferir y extrapolar dinámicas. ¡Lee más!
Descubrimiento automatizado con modelos generativos en diseño de materiales
Explora la revisión de modelos generativos, aprendizaje multimodal y bucles cerrados para el descubrimiento automatizado de materiales en diseño inverso.
Ignorar la sostenibilidad de la IA alimenta una carrera armamentista global
La sostenibilidad de la IA va más allá del medio ambiente. Ignorar lo social y económico alimenta una carrera armamentista. El marco CARAML propone soluciones.
HOIST: Humanoides optimizados para cargas suspendidas
Descubre cómo HOIST combina imitación y RL para que humanoides manipulen cargas suspendidas con alta precisión. Reduce errores de colocación en 19.9 cm.
Gran Modelo Electrónico: Predictor Universal del Estado Fundamental
El Large Electron Model: red neuronal que predice el estado fundamental de electrones, generalizando a nuevos hamiltonianos y partículas. Avance para descubrimiento de materiales.
Soberanía industrial: concepto, retos y nuevas claves para Europa
Descubre qué es la soberanía industrial, los retos de Europa en energía y materiales críticos, y las claves para lograr autonomía tecnológica y digital.
Marco multiagente de IA para análisis de elementos finitos
Descubre AbaqusAgent: un sistema multiagente basado en LLMs que convierte instrucciones en lenguaje natural en análisis de elementos finitos completos. ¡Simulación más accesible y eficiente!
Modelos de lenguaje y simulación física para síntesis de materiales inorgánicos
Explora cómo los LLMs combinados con simulaciones físicas facilitan la síntesis de materiales inorgánicos. Caso práctico: sistema niobio-oxígeno.
Predicción de propiedades de materiales bicapa apilados
Nuevo método de aprendizaje multimodal predice propiedades de materiales bicapa apilados, acelerando el descubrimiento de nuevos materiales 2D.
Más allá de texto:ComProScanner integra visión-lenguaje para figuras científicas
Descubre cómo ComProScanner extrae datos de materiales de figuras científicas con precisión del 97%. Automatiza tu investigación.