MOFDiff:金属 - 有机骨架设计的粗粒度扩散
使用生成式人工智能、图形建模、大规模分子动力学模拟和极端规模计算相结合的新方法,加速发现高 CO2 容量的金属有机框架结构。
Jun, 2023
利用知识图谱方法帮助金属有机骨架预测、发现和合成,主要围绕构建 MOF 知识图谱和利用该图谱发现新知识的挑战和案例研究展开。
Jul, 2022
通过活跃的迁移学习神经网络,利用有限的可得数据,设计了一种更有效的电催化材料,可用于捕获和减少二氧化碳排放以及其他气体分离和催化应用。
Nov, 2023
提出了一种名为几何促进分子扩散(GFMDiff)的新型分子生成方法,通过引入双轨 Transformer 网络(DTN)和几何促进损失(GFLoss)解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了 GFMDiff 的优越性。
Jan, 2024
本研究提出了一种基于层次扩散的模型,通过分子的粗颗粒化、基于信息传递的解码过程和精细碎片的设计,以提高分子生成的质量,解决了分子 3D 非自回归生成的优化问题。
May, 2023
本文提出了一种名为 Geodiff 的新型生成模型,它将分子中的每个原子视为粒子,并学习直接反向扩散过程来预测分子构象,通过 Markov 的方式进行建模,Markov 核通过维持等变性来实现不变性分布,实验表明,该方法在多个基准测试中优于或与现有的最先进方法相媲美。
Mar, 2022
该研究利用基于图的卷积神经网络模型进行预测和排名晶体金属有机骨架 (MOF) 吸附剂的气体吸附性能,其模型仅基于包含吸附剂材料候选物的标准结构输入文件。结果表明,该方法可以更精确地预测吸附性能,在运算速度更快、特征更少的情况下不失精度,更广泛地应用于工业规模下的气体捕捉过程的优化中。
Aug, 2022
本文提出了一种基于条件扩散的离散图结构(CDGS)的分子图生成方法,通过随机微分方程(SDE)实现正向图扩散过程并得出离散图结构作为逆向生成过程的条件,利用普通微分方程(ODE)求解器进行高效的图采样,在各种数据集上验证了该框架的有效性,特别是在有限的步骤中仍能生成高质量的分子图。
Jan, 2023
本文提出一种新的分子数据生成模型,它将离散与连续的扩散过程相结合。 通过扩散过程的使用,可以捕获分子过程的概率性质,并探索不同因素对分子结构和性质的影响。 此外,文中还提出了一种新颖的图形变换器架构,用于去噪扩散过程,可以用于学习鲁棒的分子表示。 通过实验和与现有方法的比较,表明该模型能够生成更稳定和有效的分子,并具有良好的性能。 该模型为设计具有所需特性的分子提供了一种有前途的方法,并可应用于分子建模的广泛任务。
Apr, 2023