Dec, 2015

跨结构空间和金属空间比较分子和固体

PDF
TL;DR本研究介绍了一种使用机器学习技术探索复杂材料配置空间必不可少的结构相似度度量方法 ——SOAP，以及如何使用 REMatch 方法将这些局部描述符相结合，并在小有机分子数据库中达到一个平均绝对误差小于 1 kcal/mol 的预测效果的重要里程碑。
machine learningatomic coordinationstructural similarityrematchmolecular properties
发现论文，激发创造
  • 关于化学环境的表征

    本研究回顾了一些最近发表的表示原子邻域环境的方法，并分析了它们在忠实度和适用于拟合势能面方面的相对优点。我们展示了使用具有增加的角波数的有限基函数集来扩展原子邻域密度函数的通用方法的具体案例。我们还提出了一种全新的方法，称为光滑重叠原子位置（SOAP），直接定义了任意两个邻域环境之间的相似性。通过拟合小硅集群和大块晶体的势能面的模型，我们测试了各种表示的性能。

    Sep, 2012

  • 机器学习中的分子表示理解：独特性和目标相似性的作用

    介绍了基于量子力学的分子表示层次结构，使用多体展开式控制目标相似性，并使用高阶贡献提高预测准确性和速度的 BAML 模型在数千种小有机分子的性质计算中表现出了前所未有的预测准确性和速度。

    Aug, 2016

  • 生成材料和分子的响应匹配

    最近，机器学习已经成为生成新的分子和材料结构的强大工具。我们提出了一种新颖的生成方法，称为响应匹配（RM），它利用了每个稳定材料或分子存在于其势能面最低点的事实。通过结合机器学习的原子间相互作用势能和随机结构搜索作为去噪模型，RM 利用了原子间相互作用的局部性，并固有地保持了置换、平移、旋转和周期性不变性。RM 是第一个在相同框架下处理分子和块材料的模型。我们在三个系统上展示了 RM 的效率和泛化能力：一个小有机分子数据集，来自材料项目的稳定晶体，以及对单个金刚石构型的一次性学习。

    May, 2024

  • 利用低维分子嵌入进行快速化学相似性搜索

    在化学中，最邻近基于相似性搜索是一项常见任务，但其中一些常用方法仍然采用蛮力算法。本研究评估了低维化学嵌入和 k-d 树数据结构相结合的方法，能在标准化学相似性搜索基准下实现快速最近邻查询，并证明了这种方法在超过十亿种化学物质的搜索中，仅用一个 CPU 核心能在一秒钟内执行，比蛮力算法快五个数量级，并且在化学相似性基准中表现出竞争性能。

    Feb, 2024

  • 分子属性预测的图多相似性学习

    我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

    Jan, 2024

  • 使用 SE（3）不变去噪距离匹配进行分子几何预训练

    提出了利用 3D 几何结构进行预训练的方法，并提供了一种 3D 坐标去噪预训练框架以建模分子的平滑势能面。实验验证了该方法的效果和稳健性。

    Jun, 2022

  • 基于相似度核的零射新型分子生成

    通过分析得分模型，本研究发现生成分子过程中的得分模型在起始时类似恢复势能，在最后则类似量子力学力，两者之间表现出特殊性质以便生成较大的分子。基于训练出的模型，本研究提出了一种新的零样本分子生成方法 —— 基于相似性的分子生成（SiMGen），该方法结合了时间相关的相似性核和预训练的机器学习力场描述符，能够实现不进行进一步训练的分子生成，并通过点云先验实现对分子形状的完全控制，并支持条件生成。研究者还发布了一个交互式网络工具，使用户能够在线使用 SiMGen 生成结构。

    Feb, 2024

  • ALMERIA: 用可扩展的方法增强分子配对对比度

    ALMERIA 是一种用于估计化合物相似性和活性预测的决策支持工具，通过成对分子对比考虑它们的构象变化，覆盖了从数据准备到模型选择和超参数优化的整个流程，并使用可扩展软件和方法来利用大量数据进行实现。

    Apr, 2023

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 化合物的增强聚类和新兴性质的无监督学习分子嵌入

    分子结构和性质的详细分析具有通过机器学习进行药物开发发现的巨大潜力。我们介绍了用于基于 SMILES 数据检测和聚类化学化合物的各种方法。通过分析化学化合物的图形结构，我们的方法使用向量搜索来满足阈值值，并得到显著而集中的聚簇，该方法在查询和理解化合物方面产生了有利结果。此外，我们还使用存储在向量数据库中的 GPT3.5 的自然语言描述嵌入，优于基本模型。因此，我们引入了一种相似性搜索和聚类算法，以帮助搜索和与分子进行交互，增强化学探索的效率并实现未来在分子属性预测模型中的新发性能的发展。

    Oct, 2023