論文の概要: Reinforcement Learning for Molecular Design Guided by Quantum Mechanics

• arxiv url: http://arxiv.org/abs/2002.07717v2
• Date: Mon, 29 Jun 2020 14:16:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 19:34:31.468318
• Title: Reinforcement Learning for Molecular Design Guided by Quantum Mechanics
• Title（参考訳）: 量子力学による分子設計のための強化学習
• Authors: Gregor N. C. Simm, Robert Pinsler, Jos\'e Miguel Hern\'andez-Lobato
• Abstract要約: 分子設計のための新しいRL式を座標で提示し、構築可能な分子のクラスを拡張した。 我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。 本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。
• 参考スコア（独自算出の注目度）: 10.112779201155005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automating molecular design using deep reinforcement learning (RL) holds the promise of accelerating the discovery of new chemical compounds. Existing approaches work with molecular graphs and thus ignore the location of atoms in space, which restricts them to 1) generating single organic molecules and 2) heuristic reward functions. To address this, we present a novel RL formulation for molecular design in Cartesian coordinates, thereby extending the class of molecules that can be built. Our reward function is directly based on fundamental physical properties such as the energy, which we approximate via fast quantum-chemical methods. To enable progress towards de-novo molecular design, we introduce MolGym, an RL environment comprising several challenging molecular design tasks along with baselines. In our experiments, we show that our agent can efficiently learn to solve these tasks from scratch by working in a translation and rotation invariant state-action space.
• Abstract（参考訳）: 深部強化学習(RL)を用いた分子設計の自動化は、新しい化合物の発見を加速する公約である。 既存のアプローチは分子グラフを扱うため、空間内の原子の位置を無視し、それらを制限する。 1)単一有機分子を発生させ、 2)ヒューリスティック報酬機能。 これを解決するために、カルト座標における分子設計のための新しいRL式を示し、それによって構築できる分子のクラスを拡張する。 我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。 脱ノボ分子設計に向けての進展を可能にするため,いくつかの挑戦的な分子設計タスクとベースラインを含むRL環境であるMolGymを導入する。 本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。

関連論文リスト

• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• Navigating Chemical Space with Latent Flows [20.95884505685799]
  本稿では,分子生成モデルによって学習された潜伏空間をフローを通して移動させることにより,化学空間を横断する新しいフレームワークであるChemFlowを提案する。 我々は,分子操作におけるChemFlowの有効性と,教師なしおよび教師なしの両方の分子発見条件下での単目的および多目的最適化タスクの有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T03:55:57Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• CHA2: CHemistry Aware Convex Hull Autoencoder Towards Inverse Molecular Design [2.169755083801688]
  検索空間全体を包括的に探索して、興味のある性質を持つデ・ノヴォ構造を利用することは不可能である。 この課題に対処するために、難解な探索空間を低次元の潜在体積に減らすことで、分子候補をより効果的に調べることができる。 そこで我々は,高いQEDを持つ新規分子を明らかにする効率的な方法として,高いQEDでトップ分子を取り囲む凸ホールを用いて,潜在表現におけるタイトな部分空間を抽出することを提案する。
  論文  参考訳（メタデータ） (2023-02-21T21:05:31Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Deep Molecular Dreaming: Inverse machine learning for de-novo molecular design and interpretability with surjective representations [1.433758865948252]
  コンピュータビジョンを用いた勾配に基づく分子最適化手法PASITHEAを提案する。 ニューラルネットワークの学習プロセスを直接反転させることで勾配の利用を生かし、実際の化学特性を予測するために訓練される。 その結果は予備的ですが、逆トレーニング中の選択されたプロパティの分布の変化、PASITHEAの生存可能性を明確に示しています。
  論文  参考訳（メタデータ） (2020-12-17T16:34:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。