使用深度神经网络生成平衡分子

Oct, 2018

Generating equilibrium molecules with deep neural networks

Niklas W. A. Gebauer, Michael Gastegger, Kristof T. Schütt

TL;DR本文介绍了一种新型的深度卷积神经网络结构，它通过在三维空间中顺序放置原子来生成分子平衡结构，该模型估计分子配置的联合概率，并演示了其可以在 C$_7$O$_2$H$_{10}$ 的同分异构体中生成接近平衡的分子。

Abstract

Discovery of atomistic systems with desirable properties is a major challenge in chemistry and material science. Here we introduce a novel, autoregressive, convolutional deep neural network architecture that gene

atomistic systems deep neural network molecular equilibrium structures conditional probabilities molecules

发现论文，激发创造

基于深度学习的分子系统平衡分布预测

本文介绍一种新型深度学习框架 Distributional Graphormer (DiG)，利用神经网络来预测分子系统的平衡分布，能有效地生成不同构象，并提供状态密度估计，该框架在多种分子任务中表现出色，为统计理解分子系统提供了显著的方法学进展。

Jun, 2023

3DMolNet：分子结构生成网络

使用可变自编码器学习分子的三维结构，实现对分子结构的建模，生成具有结构和组成合法性的分子结构

Oct, 2020

Boltzmann 生成器 -- 利用深度学习采样多体系统的平衡态

利用深度学习和统计力学，我们开发了 Boltzmann Generators，它们能够生成代表性的凝聚态物质系统和蛋白质的无偏一次平衡样品。

Dec, 2018

用于有针对性分子发现的对称适应的 3D 点集生成

利用深度学习的生成模型对分子和材料进行快速的预测，同时引入了一种能够识别非键合作用和立体异构体，并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。

Jun, 2019

条件生成神经网络逆向设计三维分子结构

本篇论文提出了一种基于条件生成神经网络的三维分子结构的设计方法，该方法不依赖于化学键，并能针对特定分布生成新颖分子，同时能够逆向设计并发现稳定的分子，在多种电子性质方面提高了生成效能。

Sep, 2021

通过更深的二维和三维图网络进行快速量子属性预测

本研究使用基于深度图神经网络的方法，通过从二维分子图中直接学习，以及通过使用低成本构象集合，预测量子化学性质中的 HOMO-LUMO 能隙，并在 2021 KDD Cup 中表现出良好性能。

Jun, 2021

一种用于分子距离几何的生成模型

该研究提出了一种基于概率模型和欧几里得距离几何学的分子生成模型，并且在分子构象生成的新基准测试中显示其具有最先进的准确性；最后，展示了如何将该模型用作重要采样方案中的提议分布来计算分子属性。

Sep, 2019

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

具有化学反应网络集成的生成模型的自治学习

微米级袋状互动分子可以自主学习复杂且波动的环境；通过控制理论、机器学习理论、化学反应网络理论和统计物理学，我们开发了一个通用架构，使得广泛类别的化学系统可以自主学习复杂分布。

Nov, 2023

采用深度神经网络求解多电子薛定谔方程

本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

Sep, 2019