論文の概要: Curiosity in exploring chemical space: Intrinsic rewards for deep molecular reinforcement learning

• arxiv url: http://arxiv.org/abs/2012.11293v1
• Date: Thu, 17 Dec 2020 17:21:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 13:32:13.944542
• Title: Curiosity in exploring chemical space: Intrinsic rewards for deep molecular reinforcement learning
• Title（参考訳）: 化学空間を探究する好奇心 -深層分子強化学習への内在的報酬-
• Authors: Luca A. Thiede, Mario Krenn, AkshatKumar Nigam, Alan Aspuru-Guzik
• Abstract要約: 強化学習エージェントの効率的な探索を支援するアルゴリズムを提案する。 興味のあるエージェントがより優れた分子を見つけるための3つのベンチマークを示す。 これは、人類がこれまで考えていなかった予期せぬ新しい分子を生み出す可能性がある。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-aided design of molecules has the potential to disrupt the field of drug and material discovery. Machine learning, and deep learning, in particular, have been topics where the field has been developing at a rapid pace. Reinforcement learning is a particularly promising approach since it allows for molecular design without prior knowledge. However, the search space is vast and efficient exploration is desirable when using reinforcement learning agents. In this study, we propose an algorithm to aid efficient exploration. The algorithm is inspired by a concept known in the literature as curiosity. We show on three benchmarks that a curious agent finds better performing molecules. This indicates an exciting new research direction for reinforcement learning agents that can explore the chemical space out of their own motivation. This has the potential to eventually lead to unexpected new molecules that no human has thought about so far.
• Abstract（参考訳）: コンピュータ支援による分子の設計は、薬物や物質発見の分野をディスラプトする可能性がある。 機械学習、特にディープラーニングは、この分野が急速に発展しているトピックである。 強化学習は、事前知識なしで分子設計を可能にするため、特に有望なアプローチである。 しかし,強化学習エージェントを用いた場合,検索空間は広く,効率的な探索が望ましい。 本研究では,効率的な探索を支援するアルゴリズムを提案する。 このアルゴリズムは、キュリオシティとして知られる概念にインスパイアされている。 興味のあるエージェントがより優れた分子を見つけるための3つのベンチマークを示す。 これは、自身のモチベーションから化学空間を探索できる強化学習エージェントのための、エキサイティングな新しい研究方向を示している。 これは、人類がこれまで考えていなかった予期せぬ新しい分子を生み出す可能性がある。

関連論文リスト

• 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。 MOODは、逆時間拡散を高速領域に導く特性予測ネットワーク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)
• Generative Enriched Sequential Learning (ESL) Approach for Molecular Design via Augmented Domain Knowledge [1.4410716345002657]
  生成機械学習技術は、分子指紋表現に基づく新しい化学構造を生成することができる。 教師付きドメイン知識の欠如は、学習手順がトレーニングデータに見られる一般的な分子に相対的に偏っていることを誤解させる可能性がある。 この欠点は、例えば薬物類似度スコア(QED)の定量的推定など、ドメイン知識でトレーニングデータを増強することで軽減した。
  論文  参考訳（メタデータ） (2022-04-05T20:16:11Z)
• Molecule Generation for Drug Design: a Graph Learning Perspective [106.62850884039456]
  本稿では,グラフ学習の方法論を取り入れた最先端分子(主にデノボ薬物)の設計と発見支援手法の概要について述べる。 代表的な公開データセットを提示し、生成と最適化によく利用される評価指標を要約する。
  論文  参考訳（メタデータ） (2022-02-18T14:26:23Z)
• Learning to Discover Medicines [21.744555824342264]
  強力なコンピューティング、大規模なバイオメディカルデータベース、そしてディープラーニングのブレークスルーによって、現代のAIが利用できることは、このループを壊そうとする新たな希望である。 本稿では,この課題を解決しようとするAI方法論の最近の進歩を概観する。 我々は、医薬品発見のためのAIの大規模かつ急速に成長する文献を、比較的安定した3つのサブエリアにまとめる。
  論文  参考訳（メタデータ） (2022-02-14T23:43:51Z)
• 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)
• From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
  心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。 人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
  論文  参考訳（メタデータ） (2022-01-20T17:07:03Z)
• Exploration and Incentives in Reinforcement Learning [107.42240386544633]
  各エージェントが同一(ただし未知)のMDPに直面する複雑な探索問題を考察する。 エージェントはポリシーの選択を制御するが、アルゴリズムは推奨事項のみを発行できる。 MDPのすべての到達可能な状態を探索するアルゴリズムを設計します。
  論文  参考訳（メタデータ） (2021-02-28T00:15:53Z)
• 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)
• Advanced Graph and Sequence Neural Networks for Molecular Property Prediction and Drug Discovery [53.00288162642151]
  計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。 これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。 オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
  論文  参考訳（メタデータ） (2020-12-02T02:09:31Z)

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。