May, 2023

催化蒸馏神经网络用于少量催化剂开放挑战

PDF
TL;DR本文介绍了 2023 年的 Few-Shot Open Catalyst Challenge，通过 MLP-Like 技术和 Catalysis Distillation Graph Neural Network (CDGNN) 框架来解决催化过程的数据集问题。结果表明，CDGNN 在氢氧化物电催化反应途径的最先进和高效的确定方面优于目前的图神经网络方法达 16.1%。因此，CDGNN 提供了催化学中少量数据学习的有希望的方法。
artificial intelligencecomputational chemistrycatalysisfew-shot learningmachine learning
发现论文，激发创造
  • 催化剂探索中的轻量级几何深度学习

    新技术对于大规模采用风能和太阳能等可再生能源是必要的。发现适合的催化剂对于使能量储存更具成本效益和可扩展性至关重要。这项研究旨在评估使用更轻量级方法在这一任务中获得的性能和洞察力，以鼓励来自不同背景的个人的参与。通过实施稳健的设计模式，如几何和对称的信息传递，我们能够训练一个 GNN 模型，在仅使用一小部分可训练参数的情况下，达到了 0.0748 的平均绝对误差，与 SchNet 和 DimeNet++ 等已建立的模型架构相媲美。

    Apr, 2024

  • Open Catalyst 2020（OC20）数据集与社区挑战

    本论文介绍了使用机器学习方法和密度泛函理论来发现和优化催化剂并提供一个开放资源数据集 OC20

    Oct, 2020

  • CHEMREASONER: 采用量子化学反馈的大规模语言模型知识空间的启发式搜索

    我们通过将计算机辅助筛选框架与语言推理和量子化学相结合，创造性地实现了人工智能加速的可靠催化剂发现。

    Feb, 2024

  • 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

  • 催化剂 - 吸附剂三维相互作用对放松能量预测的重要性

    研究了使用机器学习预测和发现材料性质的方法，重点放在图神经网络上，并探讨了在忽略相对位置信息的情况下预测系统松弛能量的可行性，结果显示修改后的模型能够相对准确地预测系统的松弛能量。该研究为加速材料发现提供了未来的研究方向。

    Oct, 2023

  • 基于一次学习的低数据药物研发

    本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量，通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合，该方法在小分子化合物距离度量上取得了显著的进展。

    Nov, 2016

  • 催化剂设计和优化的人工智能工作流程

    该研究提出了一种创新的人工智能工作流，结合了大型语言模型、贝叶斯优化和主动学习循环，以加快和增强催化剂优化。该方法将先进语言理解与强大的优化策略相结合，将从各种文献中提取的知识有效地转化为可行的实验和优化参数。在本文中，我们展示了该 AI 工作流在氨合成催化剂优化中的应用，结果突显了该工作流在简化催化剂开发过程方面的能力，提供了一种快速、资源高效且高精度的替代传统方法的选择。

    Feb, 2024

  • CataLM: 通过大型语言模型强化催化剂设计

    利用人工智能，该研究引入了 CataLM Cata} lytic Language Model，它是面向电催化材料领域的大型语言模型，展示了在催化剂知识探索和设计方面提供协作的巨大潜力，并为催化剂的发现和发展提供了创新途径。

    May, 2024

  • 翻译中的发现”：使用神经序列到序列模型预测复杂有机化学反应的结果

    该研究介绍了一种基于序列到序列模型的无模板反应预测方法，使用一种新型的可扩展标记方法，不涉及反应模板等辅助知识，达到了 80.1% 的准确率，其核心思想是运用语言学分析的思维方式来解决有机化学问题。

    Nov, 2017

  • 上下文学习的贝叶斯催化剂优化

    为了实现无特征或结构调整的上下文学习回归，我们展示了一个提示系统，结合了不确定性，使得大语言模型能够以自然语言处理的方法进行催化剂或分子优化的贝叶斯优化，从而消除了训练或模拟的需要。

    Apr, 2023