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

• 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)
• Curiosity-Driven Reinforcement Learning based Low-Level Flight Control [95.42181254494287]
  本研究では,オドメトリデータから適切な運動速度を生成することにより,自律学習のための好奇心の駆動に基づくアルゴリズムを提案する。 探索パターンの進化における好奇心の効果を可視化したアルゴリズムとアルゴリズムを用いて、オン・ポリティ、オフ・ポリティ、オン・ポリティ、オン・ポリティと好奇心を用いたテストを実行した。
  論文  参考訳（メタデータ） (2023-07-28T11:46:28Z)
• Interactive Molecular Discovery with Natural Language [69.89287960545903]
  対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。 この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
  論文  参考訳（メタデータ） (2023-06-21T02:05:48Z)
• 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)
• 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)
• 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)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• Reinforcement Learning for Molecular Design Guided by Quantum Mechanics [10.112779201155005]
  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。
  論文  参考訳（メタデータ） (2020-02-18T16:43:58Z)

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。