计算化学中的深度学习

Jan, 2017

Deep Learning for Computational Chemistry

Garrett B. Goh, Nathan O. Hodas, Abhinav Vishnu

TL;DR本文综述了深度神经网络在计算化学等领域中的广泛应用和优越表现，强调它作为一种有价值的机器学习工具在未来将发挥重要作用。

Abstract

The rise and fall of artificial neural networks is well documented in the scientific literature of both computer science and computational chemistry. Yet almost two decades later, we are now seeing a resurgence o

deep learning neural networks computational chemistry machine learning gpu-accelerated computing

发现论文，激发创造

深度张量神经网络从量子化学角度的洞见

本文提出了一种基于深度张量神经网络（DTNN）的方法，可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，此方法可以用于预测分子的原子能和局部化学势，同位素能和分子的电子结构，为揭示复杂的量子化学体系提供了新的突破。

Sep, 2016

机器学习与量子化学的统一 - 分子波函数的深度神经网络

本文提出了一种基于深度学习的量子力学波函数预测框架，以实现分子结构的反向设计，用于优化目标电子性质，表明这种方法打开了机器学习和量子化学更协同的前景。

Jun, 2019

量子深度学习的进展：概述

在深度学习和量子计算领域的交叉研究中，量子神经网络、量子卷积网络和量子启发式经典深度学习算法被提出并得到广泛关注。本文综述了该领域各种研究的技术贡献、优点和相似之处。同时，作者简要介绍了最近在量子启发式经典深度学习算法以及在自然语言处理中的应用取得的进展。

May, 2020

Chemception：深度神经网络匹配专家开发的 QSAR/QSPR 模型的性能，且对化学领域知识要求极低

本文介绍了一种基于深度学习算法的化学性质预测方法，使用仅为分子的二维结构图像，该方法可以用于毒理，活性和溶解度等方面的预测，并已在专家开发的 QSAR/QSPR 深度学习模型中达到了匹配的性能。

Jun, 2017

深度学习系统作为复杂网络

该文章使用复杂网络中常用的技术研究了深度置信网络，以期获得从学习过程中得到的计算图的结构和功能特性的一些见解。

Sep, 2018

深度学习神经网络在蛋白质计算设计中的应用

本文探究将深度学习神经网络应用于蛋白质设计，以预测蛋白质中每个残基上 20 种天然氨基酸的几率，并且以网络输出为残基类型约束，顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性，同时相比早期方法，本研究以多层神经网络构建的方法在序列一致性方面提高了约 3% 的准确率，这些结果将推动计算蛋白质设计方法的进一步发展。

Jan, 2018

结合机器学习与计算化学以预测化学系统的观察结果

新颖的应用机器学习与计算化学方法在分子建模、材料建模、药物设计等方面取得了可靠且富有洞见的预测结果。

Feb, 2021

神经网络中的深度学习概述

这篇文章总结了深度神经网络在模式识别和机器学习中的应用，包括深度监督学习、无监督学习和强化学习，在搜索深层网络的过程中进行了间接搜索。

Apr, 2014

SchNet - 分子和材料的深度学习架构

使用 SchNet 这种特定深度学习架构模拟原子系统，预测化学空间中分子和材料的一些性质，以及分子动力学模拟中的势能面和保能力场，实现了 C20-fullerene 的量子力学性质的研究。

Dec, 2017

分子模拟的机器学习

介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展，同时探讨了在此领域中的一些挑战。

Nov, 2019