Dec, 2018

化学反应预测的图转换策略网络

PDF
TL;DR通过提出一种基于图转换的模型（GTPN）， 结合了图神经网络和强化学习方法，以最小的化学知识从数据中直接学习反应， 常规策略梯度损失不适用于指导模型在化学成键变换的集合中进行搜索，因此作者提出将一些有用的约束添加到标准策略梯度损失函数中来指导模型的搜索， 评估结果表明，在美国专利和商标局数据集上，与当前最先进的方法相比，GTPN 的表现有所改进。
chemical reactiongraph transformationreinforcement learningend-to-end learningprediction
发现论文，激发创造
  • 面向目标的分子图生成的图卷积策略网络

    该研究提出了图卷积策略网络 (GCPN) 作为一种通过强化学习进行目标导向图形生成的算法。该模型通过策略梯度来优化特定领域的奖励和对抗损失，并在包含特定领域规则的环境中执行。实验结果表明，GCPN 在化学性质优化上比现有技术基线提高了 61％，同时产生的分子类似已知分子， 在约束属性优化任务上实现了 184％的提高。

    Jun, 2018

  • 基于图神经网络的底物特异性有机反应条件预测

    本篇研究使用图神经网络对有机化学反应进行建模，通过对四种普遍反应进行分类任务的评估，发现具有预测能力且能够识别影响反应条件的特定图形特征，为推进分子机器学习研究提供了巨大的前景。

    Jul, 2020

  • 路径增强图变换器网络

    提出了一种基于路径增强的图转换网络 (PAGTN)，用于学习分子表示，并将其与基于图卷积网络 (GCN) 的模型进行比较，在分子属性预测方面表现更好，包括量子化学 (QM7，QM8，QM9)，物理化学 (ESOL，亲脂) 和生物化学 (BACE，BBBP) 数据集。

    May, 2019

  • 一种基于图形的框架用于反合成预测

    本文提出了一种基于分子图转换的无模板逆合成预测方法 G2Gs，可以将一个目标分子图转化为一组反应物分子图，通过识别反应中心将目标分子图分解为一组合成子，再通过图形翻译技术将它们转化为反应物图。实验结果表明，G2Gs 的表现接近于最先进的基于模板的方法，且不需要领域知识且更加可扩展。

    Mar, 2020

  • 分子编辑图注意力网络：将化学反应建模为图编辑序列

    MEGAN 是一种基于神经网络的模型，能够预测化学反应的多样化结果并在遇到额外约束时提出可行的替代反应。该模型能够表述反应为一系列的图编辑，实现端到端的反应预测，从而在大型数据集上达到了最新成果。

    Jun, 2020

  • 用于大规模机器人控制的图策略梯度

    本文提出了一种叫做 Graph Policy Gradients (GPG) 的新算法，使用图卷积神经网络 (GCN) 来参数化机器人的策略，处理大量的同构机器人问题，并且证明实验证明，与采用完全连接网络的现有强化方法相比，我们提出的方法能够更好地扩展。更重要的是，我们通过使用局部学习的筛选器，证明了能够将仅在三个机器人上训练的策略 “零 - shot” 传输到 100 多个机器人。

    Jul, 2019

  • 基于条件图逻辑网络的反合成预测

    本文提出了一种新的基于条件图逻辑网络的化学反应逆向设计方法，使用图神经网络隐式考虑反应是否在化学上可行和策略性，并提出了一种有效的分层采样，成功将当前现有方法的性能提高了 8.1%。

    Jan, 2020

  • KPGT: 分子属性预测中的图形 Transformer 的知识引导预训练

    本文提出了一种名为 “知识引导图转换器的预训练 (KPGT)” 的自监督学习框架，利用高容量的线性图转换器（LiGhT）和知识引导的预训练策略，以解决分子属性预测中存在的两个主要问题，并在大规模无标签分子图上显示出卓越的性能。

    Jun, 2022

  • 测试时图变换增强图表示学习

    本文提出了一种名为 GTrans 的图形变换框架，通过在测试时自适应和改进图形数据，从数据角度来解决图神经网络（GNN）所面临的数据质量问题，经实验表明，GTrans 在改善性能方面表现最佳。

    Oct, 2022

  • 图变换网络

    本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

    Nov, 2019