含氧有机化合物的贝叶斯委员会机潜力
本文介绍了 ChemBO,一种用于生成和优化有机分子的贝叶斯优化框架,该方法探索合成图以高效生成可合成的有机分子,并通过实验证明了其高效性。
Aug, 2019
结合现代科学计算和电子结构理论,基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测,从而实现对合成可及的虚拟化合物库的高通量筛选,成本极低且准确度与现代量子化学方法相当甚至更优。
May, 2013
我们基于主动学习算法,提出了一种全自动方法,用于生成分子能量的数据集,能够支持深度学习算法 ANI 在含有 CHNO 的有机分子的所有情况下实现精确的能量和力预测。
Jan, 2018
该研究提出了一种物理基于势能和机器学习相结合的可转移模型,可以准确地计算小分子以及生物相关分子之间的非共价相互作用,而且在处理新分子时无需显式的事先参数化。
Oct, 2017
介绍了基于量子力学的分子表示层次结构,使用多体展开式控制目标相似性,并使用高阶贡献提高预测准确性和速度的 BAML 模型在数千种小有机分子的性质计算中表现出了前所未有的预测准确性和速度。
Aug, 2016
通过高通量计算催化剂筛选方法,在高维度催化剂结构中实现自动化表征学习并具备原则性不确定性量化,探索二氧化碳还原反应的催化剂发现,实现了高预测准确性、可解释的特征提取以及多准则设计优化,大幅降低计算资源和时间成本(需要的密度泛函理论计算减少 10 倍)来进行高性能催化剂的发现。
Apr, 2024
概述:本文使用贝叶斯模型解决了复杂数据的建模问题,提出了通过机器学习的方法来改善后验计算的潜力,并探讨了正则化流、贝叶斯核平衡、分布式贝叶斯推理和变分推理等未来的具体发展方向。
Apr, 2023
本研究旨在探讨基于贝叶斯学习的图神经网络在分子筛选中的预测性能和可靠性,结果表明贝叶斯学习能够为不同的神经网络结构和分类任务提供良好的校准预测,并在虚拟筛选中发挥重要作用,从而产生更高的发现成功率。
Jun, 2020
SPICE 数据集的第 2 版是一个用于训练机器学习势能的量子化学计算集合,通过更多地对化学空间进行采样和提供更多非共价相互作用的数据,扩展了原始数据集。在其中,我们使用名为 Nutmeg 的一组潜在能量函数。它们采用一种新的机制,在带电和极性分子上改善性能,将预先计算的部分电荷注入模型以提供大规模电荷分布的参考。对新模型的评估表明,它们在重现构象之间的能量差异方面表现出色,即使在高度带电的分子或比训练集中的分子显着更大的情况下,也能够产生稳定的分子动力学轨迹,并且足够快以用于对小分子的常规模拟。
Jun, 2024
通过人为干预的贝叶斯优化主动推荐系统 (BOARS),实现对实验目标的动态控制并结合机器学习算法进行优化,在铁电薄膜表面的压电响应力谱中得出对称压电响应振幅滞环的影响因素,在实验领域进行了跨学科探索。
Apr, 2023