論文の概要: A Perspective on Deep Learning for Molecular Modeling and Simulations
- arxiv url: http://arxiv.org/abs/2004.13011v1
- Date: Sat, 25 Apr 2020 22:58:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 22:19:08.174479
- Title: A Perspective on Deep Learning for Molecular Modeling and Simulations
- Title（参考訳）: 分子モデルとシミュレーションのための深層学習の展望
- Authors: Jun Zhang, Yao-Kun Lei, Zhen Zhang, Junhan Chang, Maodong Li, Xu Han,
Lijiang Yang, Yi Isaac Yang and Yi Qin Gao
- Abstract要約: 分子物理学の観点から,従来のディープラーニングモデルの限界に注目した。
我々は、教師なしから教師なし、強化学習まで、いくつかの代表的な応用を要約した。
我々は、現在のディープ分子モデリングの枠組みにおける既存の問題に対処する上で役立つ有望な方向性を概観する。
- 参考スコア（独自算出の注目度）: 8.891007063629187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning is transforming many areas in science, and it has great
potential in modeling molecular systems. However, unlike the mature deployment
of deep learning in computer vision and natural language processing, its
development in molecular modeling and simulations is still at an early stage,
largely because the inductive biases of molecules are completely different from
those of images or texts. Footed on these differences, we first reviewed the
limitations of traditional deep learning models from the perspective of
molecular physics, and wrapped up some relevant technical advancement at the
interface between molecular modeling and deep learning. We do not focus merely
on the ever more complex neural network models, instead, we emphasize the
theories and ideas behind modern deep learning. We hope that transacting these
ideas into molecular modeling will create new opportunities. For this purpose,
we summarized several representative applications, ranging from supervised to
unsupervised and reinforcement learning, and discussed their connections with
the emerging trends in deep learning. Finally, we outlook promising directions
which may help address the existing issues in the current framework of deep
molecular modeling.
- Abstract（参考訳）: 深層学習は科学の多くの領域を変えつつあり、分子システムをモデル化する大きな可能性を持っている。
しかし、コンピュータビジョンや自然言語処理におけるディープラーニングの成熟した展開とは異なり、分子モデリングやシミュレーションにおけるその開発はまだ初期段階にある。
これらの違いに着目し、分子物理学の観点から従来のディープラーニングモデルの限界を初めてレビューし、分子モデリングとディープラーニングのインターフェイスにおける関連する技術的進歩をまとめました。
私たちは単に、より複雑なニューラルネットワークモデルだけに焦点を当てるのではなく、現代のディープラーニングの背後にある理論とアイデアを強調します。
これらのアイデアを分子モデルに変換することで、新たな機会が生まれることを期待しています。
そこで我々は,教師なしから教師なし,強化学習まで,いくつかの代表的な応用を要約し,深層学習の新たな潮流との関係について考察した。
最後に,分子深部モデリングの現在の枠組みにおける既存の問題に対処するための有望な方向性を概観する。
関連論文リスト
- GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。
液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文 参考訳（メタデータ） (2024-11-03T19:45:15Z) - Bridging Text and Molecule: A Survey on Multimodal Frameworks for Molecule [16.641797535842752]
本稿では,分子研究のためのマルチモーダルフレームワークに関する最初の体系的研究について述べる。
分子深層学習の発展から始まり、テキストモダリティの関与の必要性を指摘する。
さらに, 大規模言語モデルの利用, 分子課題の促進, 創薬における重要な応用について検討した。
論文 参考訳（メタデータ） (2024-03-07T03:03:13Z) - Masked Modeling for Self-supervised Representation Learning on Vision
and Beyond [69.64364187449773]
仮面モデリングは、トレーニング中に比例的にマスキングされる元のデータの一部を予測する、独特なアプローチとして現れてきた。
マスクモデリングにおけるテクニックの詳細については,多様なマスキング戦略,ターゲット回復,ネットワークアーキテクチャなどについて詳述する。
我々は、現在の手法の限界について議論し、マスクモデリング研究を進めるためのいくつかの道のりを指摘した。
論文 参考訳（メタデータ） (2023-12-31T12:03:21Z) - Bidirectional Generation of Structure and Properties Through a Single
Molecular Foundation Model [44.60174246341653]
本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。
提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。
これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
論文 参考訳（メタデータ） (2022-11-19T05:16:08Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - MolGenSurvey: A Systematic Survey in Machine Learning Models for
Molecule Design [46.06839497430207]
大きな探索空間のため、人間の専門家は湿式実験で全ての分子を列挙してテストすることは不可能である。
機械学習手法の急速な開発により、分子設計は機械学習モデルを利用して候補分子を生成することで大きな進歩を遂げた。
論文 参考訳（メタデータ） (2022-03-28T05:05:11Z) - Knowledge-informed Molecular Learning: A Survey on Paradigm Transfer [20.893861195128643]
機械学習、特にディープラーニングは、生化学領域における分子研究を著しく推進している。
伝統的に、そのような研究のためのモデリングは、いくつかのパラダイムを中心に行われてきた。
純粋にデータ駆動モデルの生成と解読性を高めるため、研究者はこれらの分子研究モデルに生化学的ドメイン知識を組み込んだ。
論文 参考訳（メタデータ） (2022-02-17T06:18:02Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Molecular CT: Unifying Geometry and Representation Learning for
Molecules at Different Scales [3.987395340580183]
この目的のために、新しいディープニューラルネットワークアーキテクチャである分子構成変換器(分子CT)が導入された。
計算効率と普遍性は、様々な分子学習シナリオに分子CTを多用する。
例として、分子CTは分子系の異なるスケールでの表現学習を可能にし、共通ベンチマークで同等または改善された結果が得られることを示す。
論文 参考訳（メタデータ） (2020-12-22T03:41:16Z)
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。