Recebido em 18/7/07; aceito em 30/11/07 publicado na web em 8/7/08 PERIODIC TABLE OF THE ELEMENTS IN THE PERSPECTIVE OF ARTIFICIAL NEURAL NETWORKS. Although several chemical elements were not known by end of the 18th century, Mendeleyev came up with an astonishing achievement: the periodic table of elements. He was not only able to predict the existence of (then) new elements but also to provide accurate estimates of their chemical and physical properties. This is certainly a relevant example of the human intelligence. Here, we intend to shed some light on the following question: Can an artificial intelligence system yield a classification of the elements that resembles, in some sense, the periodic table? To achieve our goal, we have fed a self-organized map (SOM) with information available at Mendeleyev's time. Our results show that similar elements tend to form individual clusters. Thus, SOM generates clusters of halogens, alkaline metals and transition metals that show a similarity with the periodic table of elements.Keywords: periodic table, neural networks, Kohonen neural network. INTRODUÇÃOEm 1869 Mendeleev 1 apresentou à comunidade científica a sua lei periódica dos elementos. Mendeleev conhecia pouco mais de 60 elementos e algumas de suas propriedades, tais como peso atô-mico, reação do elemento com o oxigênio, raio de ligação, raio atômico e ponto de fusão.2 Sentindo-se muito seguro da validade de sua classificação, deixou posições vazias na sua tabela, dedicada a elementos que, segundo ele, ainda seriam descobertos.O trabalho desenvolvido por Mendeleev foi surpreendente, pois suas pesquisas foram desenvolvidas em uma época em que muitos elementos naturais eram desconhecidos como, por exemplo, os gases nobres. Não se conhecia a estrutura atômica e os números atô-micos que são utilizados na organização dos elementos da tabela atual. Somente em 1913, Mosely estabeleceu o conceito de núme-ro atômico; 3 porém essa descoberta provocou apenas pequenos rearranjos na classificação dos elementos feita por Mendeleev.Possivelmente, o maior triunfo da tabela periódica dos elementos foi prever a existência e propriedades de elementos desconhecidos em sua época. Por exemplo, Mendeleev não postulou apenas a existência do elemento eka-silício, hoje conhecido como germâ-nio, mas também suas propriedades e reações com cloro e oxigê-nio com considerável precisão.A tabela periódica identifica semelhanças entre dois ou mais elementos e os agrupa sob a forma de períodos e famílias. Essas semelhanças se repetem em intervalos, sempre relacionadas ao nú-mero atômico. Na tabela, os elementos estão arranjados horizontalmente, em seqüência numérica, de acordo com seus números atômicos, resultando no aparecimento de sete linhas horizontais (ou períodos). Cada período, à exceção do primeiro, começa com um metal e termina com um gás nobre. Os períodos diferem em comprimento, variando de 2 elementos no mais curto até 32 elementos no mais longo. As linhas verticais são formadas por elementos cujas estruturas eletrônicas externas são si...
Recebido em 10/4/01; aceito em 22/11/01 STUDY OF THE GROUND-STATE GEOMETRY OF SILICON CLUSTERS THROUGH ARTIFICIAL NEURAL NETWORKS. We introduce a global optimization method based on the cooperation between an Artificial Neural Net (ANN) and Genetic Algorithm (GA). We have used ANN to select the initial population for the GA. We have tested the new method to predict the ground-state geometry of silicon clusters. We have described the clusters as a piling of plane structures. We have trained three ANN architectures and compared their results with those of pure GA. ANN strongly reduces the total computational time. For Si 10 , it gained a factor of 5 in search speed. This method can be easily extended to other optimization problems.Keywords: silicon clusters; genetic algoritm; neural network. INTRODUÇÃORedes Neurais Artificiais (RNA) vêm sendo muito utilizadas em Química. Recentemente Gasteiger e Zupan 1 publicaram uma monografia sobre aplicações de RNA em Química. As RNA mostram uma grande capacidade de reconhecimento de padrões; alguns exemplos incluem a identificação automática de grupos de espectro molecular e a determinação da estrutura de uma proteína e da seqüência de um amino-ácido 1 . Uma outra aplicação importante foi feita por Sigman e Rives 2 , que utilizaram uma RNA para predizer potenciais de ionização atômica usando camadas de valência como dados de entrada para a rede. Estas aplicações encorajam-nos a explorar o potencial das RNA numa área diferente da Química: a geometria de sistemas poliatômicos, em particular a otimização da geometria de aglomerados de silício. As condições experimentais de geração e seleção 3, 4 destes aglomerados inviabilizam a determinação experimental de sua geometria. Como conseqüência, devemos inferir a estrutura dos aglomerados, através de evidências indiretas ou através de cálculos teóricos. Mesmo teoricamente, encontrar a geometria referente ao estado fundamental de uma grande coleção de átomos é uma tarefa extremamente complicada devido a duas razões: i) a energia do aglomerado não é função apenas das coordenadas de cada núcleo, mas seus elétrons também devem ser considerados. Assim, para tratar estes problemas, a energia deve ser calculada através dos princípios da mecânica quântica sendo cada cálculo de energia computacionalmente bastante delicado 5 , e ii) a superfície de energia depende de um número grande de variáveis e apresenta incontáveis mínimos locais. Por exemplo, um aglomerado de gases nobres 6 de cerca de 100 átomos tem um número estimado de 10 60 mínimos! Obviamente determinar o mínimo global entre tantos mí-nimos locais é uma tarefa muito difícil.Redes neurais artificiais (RNA) demonstram um grande potencial de aplicação em modelagem, simulação, controle e predição 7-9 em diversas áreas de ciências e química. Na maioria destas aplicações, as RNA's são treinadas com dados coletados durante operações ou experimentos. Concluído o treinamento, a capacidade natural de generalização das redes permite que as RNA's realizem as previsões desejadas.Tradicionalmente...
ResumoCom o objetivo de estimular o interesse dos alunos pela disciplina de Física e aprimorar o processo de avaliação, introduzimos a Iniciação Tecnológica. Ela consiste no desenvolvimento de um protótipo relacionado com o tema da grade curricular do aluno. Em seu desenvolvimento, buscamos aproveitar os aspectos favoráveis das competições. Os pontos negativos das mesmas foram bastante reduzidos através da inclusão de uma tarefa mínima. Mostraremos que as Iniciações Tecnológicas aumentam o interesse dos alunos pela disciplina, melhorando o desempenho dos mesmos, permitem também uma avaliação mais ampla do processo de aprendizagem e promovem a integração de alunos veteranos com alunos atuais. Para exemplificar, mostraremos resultados obtidos em 10 anos de trabalho. Palavras-chave: Competição; aprendizado cooperativo; práticas educacionais. + Technology iniciation: an efficient Physics playful learning tool * Recebido: setembro de 2008.Aceito: abril de 2010. AbstractWe have introduced a new procedure to enhance students' interest and also to improve grading methods in Physics courses. We have named it, Tech Initiation (IT). From the content of the course, a theme is chosen. Then, groups of students develop a prototype. It is designed to make use of the strong points of competitions, while avoiding its drawbacks. This is accomplished by the introduction of a "minimum task". This method has been applied to both, High School and Undergraduate College students. In this paper, we show that Tec Initiation can: i) make Physics classes much more enjoyable for the students; ii) develop students' self-esteem; iii) improve social interaction among current and past students. Results obtained during a period of 10 years are presented.
This article introduces an efficient method to generate structural models for medium-sized silicon clusters. Geometrical information obtained from previous investigations of small clusters is initially sorted and then introduced into our predictor algorithm in order to generate structural models for large clusters. The method predicts geometries whose binding energies are close (95%) to the corresponding value for the ground-state with very low computational cost. These predictions can be used as a very good initial guess for any global optimization algorithm. As a test case, information from clusters up to 14 atoms was used to predict good models for silicon clusters up to 20 atoms. We believe that the new algorithm may enhance the performance of most optimization methods whenever some previous information is available.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.