Sep, 2023

基于群贡献法的非线性光学分子的神经网络驱动交互设计

PDF
TL;DR使用 Lewis - 模态群贡献方法（LGC）、多阶段贝叶斯神经网络（msBNN）和进化算法（EA）框架进行 D-Pi-A 类型有机小分子非线性光学材料的有理设计。通过结合 msBNN 和修正的 LGC 方法（cLGC），仅利用小规模数据集，准确高效地获得分子的不同光学性质。此外，利用为 LGC 专门设计的 EA 模型，可以有效进行结构搜索。详细讨论了该框架性能良好的逻辑起源。考虑到这种理论引导的机器学习框架结合了化学原理和数据驱动工具，很可能在更广泛的领域中高效解决分子设计相关问题。
lewis-mode group contribution methodmulti-stage bayesian neural networkevolutionary algorithmd-pi-a type organic small-molecule nonlinear optical materialsmachine learning framework
发现论文，激发创造
  • 基于分子力学驱动的多重图图神经网络用于分子结构

    该论文提出了一种基于分子力学的方法，通过将每个分子表示为一个双层多重图，并为每层提出相应的消息传递模块，设计了一种高效且表达能力强的分子结构图神经网络 MXMNet，可用于从分子结构预测物理化学性质，获得了优越的结果。

    Nov, 2020

  • 用于高通量聚合物筛选的信息传递神经网络

    研究表明，基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一，并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明，即使不要求最优的立体结构输入，利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。

    Jul, 2018

  • 遗传探索引导深度分子优化

    本文介绍一种基因专家引导学习法（GEGL）的新框架，用于培训深度神经网络（DNN）生成高奖励分子，结果表明 GEGL 在优化中显著优于现有方法。

    Jul, 2020

  • 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

  • 深度学习在分子设计中的应用 - 现状综述

    文献的主要内容是深度生成建模技术被应用于分子生成和优化，包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术，并探讨了这些技术的数学基础和优缺点，内容涉及到分子表示和设计中的多个方面。

    Mar, 2019

  • 适应性结构演化与生物可实现突触可塑性的循环脉冲神经网络

    本论文提出了一种新型的 LSM 学习模型，该模型集成了自适应结构进化和多尺度生物学习规则，该方法在不同的决策任务上的实验结果表明引入液态层的结构进化和 DA-BCM 的调节可以提高决策能力，并灵活适应规则反转。

    Mar, 2023

  • 通过潜空间能量建模与逐步分布转移的分子设计

    本文提出了一种生成模型，基于能量模型（EBM）和分子生成模型、性质回归模型生成具有期望化学和生物性质的体小分子，并引入了逐步分布转移采样算法（SGDS），从而在训练的分子数据和性质的基础上，逐步将模型分布转移到具有期望性质的分子区域，取得了很好的实验效果。

    Jun, 2023

  • 分子 - 基因进化驱动的人类水平分子优化

    通过 Deep Genetic Molecular Modification Algorithm (DGMM)，将结构修饰引入药物化学家的水平，该算法利用离散变分自动编码器 (D-VAE) 将分子编码为量化编码 mol-gene，将深度学习与遗传算法相结合，用于灵活结构优化，以发现药理学上相似但在结构上有所区别的化合物并揭示药物发现中结构优化的权衡。我们在几个应用中验证了 DGMM 的有效性。

    Jun, 2024

  • 基于大型语言模型的化学空间高效进化搜索

    融入大型语言模型的进化算法为分子发现问题的优化提供了一个优越性能的解决方案，通过重新设计进化算法的交叉和变异操作，利用大型化学信息语言模型进行大规模的实证研究，在单目标和多目标环境中，对于性能优化、分子重发现和基于结构的药物设计等多个任务表现出优于基线模型的优越性能，提高了最终解的质量和收敛速度，同时减少了所需的目标评估次数。

    Jun, 2024

  • 机器学习辅助光子器件的全局优化

    本文提出了一种基于机器学习的全局优化框架，以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架，通过物理传递的压缩设计空间工程，提高了元器件配置的优化搜索效率，并可以揭示器件的光学性能的物理基础。

    Jul, 2020