May, 2023

ChemGymRL: 数字化学强化学习的交互式框架

PDF
TL;DR该研究提供了一个基于 Open AI Gym 模板的高度可定制和开源的 RL 环境，ChemGymRL，以支持在化学发现中训练 RL 代理，通过使用一系列互连的虚拟化学试验台。研究介绍了这些试验台，并在其中训练了一组标准 RL 算法，最后提供了多个标准 RL 方法的性能讨论和比较以及未来工作的发展方向列表作为 ChemGymRL 的远景。
reinforcement learningchemical discoverychemgymrlopen ai gymrl benchmarks
发现论文，激发创造
  • 强化学习在以量子力学为导向的分子设计中的应用

    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

  • 利用强化学习和变形金刚搜索高价值分子

    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

  • Scilab-RL：用于高效强化学习和认知建模研究的软件框架

    通过 Scilab-RL 软件框架，研究人员能够有效进行认知建模和强化学习方面的研究，特别注重基于目标的强化学习和实验可视化，最大限度地提高研究产出。

    Jan, 2024

  • 使用强化学习学习如何导航合成可达的化学空间

    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

  • EduGym：强化学习教育环境套件

    通过 EduGym 这一套教育性的强化学习环境和配套的交互式笔记本，该研究旨在帮助学生更好地理解强化学习的概念和实践，通过提供特定挑战方面的环境和解决方案，从而提高教学效果。

    Nov, 2023

  • qgym：用于训练和基准测试基于强化学习的量子编译的健身房

    编写特定量子硬件的量子电路是具有挑战性的任务，并且当前的量子计算机存在严重的硬件限制。为了充分利用有限的资源，应该优化编译过程。为了改进当前的方法，可以使用强化学习（RL），这是一种让代理与环境交互以学习复杂策略以达到特定目标的技术。在这项工作中，我们介绍了 qgym，这是一个从 OpenAI Gym 派生的软件框架，以及专门针对量子编译的环境。qgym 的目标是通过抽象与两个领域都无关的过程部分，将人工智能（AI）的研究领域与量子编译连接起来。它可用于在高度可定制的环境中训练和基准测试 RL 代理和算法。

    Aug, 2023

  • 基于强化学习的可扩展基于碎片的三维分子设计

    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

  • CaiRL：高性能强化学习环境工具箱

    本论文提出了 CaiRL 环境工具包作为一种有效、兼容性良好、可持续性更高的训练学习代理的替代方法，并提出了更高效环境模拟的方法，以解决当前强化学习工具包效率低下的问题。

    Oct, 2022

  • 为自主网络代理开发网络 AI 健身房

    本文旨在通过应用增强学习和深度增强学习（RL/DRL）来使网络网络运营（CyOps）中的自主智能体成为可能，并且通过提出的一个名为 Cyber Gym for Intelligent Learning（CyGIL）的统一训练环境，尤其是最近发展出的一种在仿真环境下训练智能体的解决方案，该方案旨在在实际网络环境中实现从仿真到现实的自主智能体应用。

    Apr, 2023

  • ACEGEN：生成化学代理的强化学习方法在药物发现中的应用

    近年来，强化学习（RL）作为一种有价值的药物设计工具逐渐崭露头角，为提出和优化具有所需性能的分子提供了潜力。本文介绍了 ACEGEN，一个专门针对生成式药物设计的全面且简化的工具包，使用 TorchRL 构建，后者是一个提供高效和经过深入测试的可重用组件的现代决策库。ACEGEN 为分子设计提供了强大、灵活和高效的平台，我们通过对多种算法进行基准测试和多个药物发现案例研究来验证其有效性。ACEGEN 可通过此 https URL 获得访问。

    May, 2024