探索化学空间的好奇心:深度分子强化学习的内在奖励
本文提出了一种新颖的基于强化学习的分子设计方式,使用笛卡尔坐标系来扩展分子结构类型,并利用快速量子化学方法对基本物理性质(如能量)进行直接奖励函数的构建。同时,引入了名为 MolGym 的强化学习环境,在该环境中针对多种具有挑战性的分子设计任务成功展开实验,并在此基础上,构建出一种翻译及旋转不变的状态空间,实现了从零开始的高效学习。
Feb, 2020
我们介绍了一种基于好奇心驱动的方法,通过在化学空间的许多部分导航,从而实现更高的理想性和多样性。这种方法通过训练一个基于递归神经网络的分子生成器,并在此基础上进行微调,通过最大化好奇心和理想性来发现更多以及更易合成的理想分子。
Sep, 2023
本文提出了一种基于强化学习框架的分层代理方法,能够在三维空间中逐步放置分子亚结构,从而高效地学习如何建造具有不同分布的分子,包括药物样分子、有机发光二极管分子和生物分子,只利用能量考虑即可。
Feb, 2022
本文认为好奇心是一种进化机制,能够在智能体的一生中鼓励有意义的探索,以暴露它于能够使其获得高报酬的经验。该文提出了一种基于元学习的产生好奇行为的问题,并使用元学习算法将代理人的奖励信号动态调整来解决问题。作者进一步提出使用元算法来扩大其适用性,并将其他构建块(例如缓冲器、最近邻模块和定制丢失函数)与神经网络结合使用。最终,本文提出的两种好奇心算法在图像导航、机器人和其他领域表现优于人类设计的已发表算法。
Mar, 2020
Mol-AIR 是一种基于强化学习和自适应内在奖励的分子生成方法,通过结合深度生成模型和增强学习来有效地生成具有特定性质的分子结构,优于现有方法在无先验知识的情况下生成具有期望性质的分子。
Mar, 2024
该论文提出了一种新的计算策略,名为 ReLeaSE(增强学习结构进化),通过深度学习和强化学习的方法,利用生成模型和预测模型生成具有预设属性的新型化合物库,此方法可用于生成具有单一或多个属性的有针对性的化合物库。
Nov, 2017
通过对不同的文本语法设计和训练算法选择进行广泛的实验,我们提出了一种新的基于强化学习的分子设计算法(ChemRLformer),并通过对 25 个分子设计任务的深入分析,包括计算复杂的蛋白质对接模拟,发现了这个问题领域的独特见解,并展示了 ChemRLformer 在文本分子设计中所取得的最新成果,同时还揭示了哪些设计选择对于文本分子设计实际上有帮助。
Oct, 2023
本文提出了一种名为 Molecule Deep Q-Networks(MolDQN)的框架,通过融合化学领域知识和最先进的强化学习技术(双 Q 学习和随机化价值函数)进行分子优化,直接修改分子以确保 100%的化学有效性,并通过多目标强化学习扩展模型以同时最大化药物样本度和维持原始分子与优化后分子的相似性,通过展示化学空间中的路径来帮助理解模型的工作方式。
Oct, 2018
转向可再生能源和原料供应的化工行业需要新的概念性工艺设计方法。最近,人工智能的突破为加速这一转型提供了机会。特别是深度强化学习作为机器学习的一个子类,已显示出解决复杂决策问题和辅助可持续工艺设计的潜力。我们通过三个主要元素调查了强化学习在工艺设计中的最新研究:(i)信息表示,(ii)智能体体系结构和(iii)环境和奖励。此外,我们讨论了潜在挑战的观点和有前景的未来工作,以充分发挥化工工程中强化学习的潜力。
Aug, 2023
本研究提出了一种基于增强学习框架的新型前向合成模型 (PGFS),可以解决化学分子结构的可合成性和合成路线问题,该模型可以为机器学习的药物设计提供一个有挑战性的基础测试平台。
Apr, 2020