論文の概要: A new Reinforcement Learning framework to discover natural flavor molecules

• arxiv url: http://arxiv.org/abs/2209.05859v1
• Date: Tue, 13 Sep 2022 10:12:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 13:23:18.830296
• Title: A new Reinforcement Learning framework to discover natural flavor molecules
• Title（参考訳）: 自然フレーバー分子発見のための新しい強化学習フレームワーク
• Authors: Luana P. Queiroz, Carine M. Rebello, Erbet A. Costa, Vin\'icius V. Santana, Bruno C. L. Rodrigues, Al\'irio E. Rodrigues, Ana M. Ribeiro and Idelfonso B. R. Nogueira
• Abstract要約: 本研究は,フレーバー工学と産業の新たな課題に取り組むための,Scientific Machine Learningに基づく新しいフレームワークを提案する。 これらの分子は、合成アクセシビリティ、原子の数、自然または擬似自然生成物への類似性について評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The flavor is the focal point in the flavor industry, which follows social tendencies and behaviors. The research and development of new flavoring agents and molecules are essential in this field. On the other hand, the development of natural flavors plays a critical role in modern society. In light of this, the present work proposes a novel framework based on Scientific Machine Learning to undertake an emerging problem in flavor engineering and industry. Therefore, this work brings an innovative methodology to design new natural flavor molecules. The molecules are evaluated regarding the synthetic accessibility, the number of atoms, and the likeness to a natural or pseudo-natural product.
• Abstract（参考訳）: このフレーバーは、社会的な傾向と行動に従うフレーバー産業の焦点である。 この分野では、新しい香味料や分子の研究と開発が不可欠である。 一方, 現代社会では, 天然フレーバーの発達が重要な役割を担っている。 そこで本研究では,フレーバー工学と産業における新たな課題に取り組むために,科学的機械学習に基づく新しい枠組みを提案する。 この研究は、新しい天然香料分子を設計するための革新的な手法をもたらす。 これらの分子は、合成アクセシビリティ、原子の数、自然または擬似自然生成物への類似性について評価される。

関連論文リスト

• FoodPuzzle: Developing Large Language Model Agents as Flavor Scientists [51.97629078968826]
  本稿では,フレーバープロファイルの抽出と理解のための仮説の創出として概念化されたフレーバーサイエンスにおける科学エージェントのための新しい問題領域を提案する。 そこで本研究では,テキスト内学習と検索技術を統合したScientific Agentアプローチを提案する。 実験結果から,フレーバープロファイル予測タスクにおいて,本モデルが従来の手法をはるかに上回っていることが示唆された。
  論文  参考訳（メタデータ） (2024-09-19T15:07:35Z)
• Molecule Generation and Optimization for Efficient Fragrance Creation [0.0]
  この研究は、嗅覚体験を再現する機械学習中心のアプローチを導入する。 主な貢献は、香水分子構造と人間の嗅覚を結合するハイブリッドモデルである。 この方法論は、利用可能な実験データを用いて、2つの異なる嗅覚経験を再現することによって検証される。
  論文  参考訳（メタデータ） (2024-02-19T13:32:30Z)
• Olfactory Label Prediction on Aroma-Chemical Pairs [0.2749898166276853]
  本稿では,アロマケミカルのブレンドから発生する臭気特性を正確に予測できるグラフニューラルネットワークモデルを提案する。 本稿では、ラベル付き分子対からなるデータセットに対して、既存のアプローチと新しいアプローチの両方を適用する。
  論文  参考訳（メタデータ） (2023-12-26T17:18:09Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• 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)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• 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)
• 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)
• Generative chemistry: drug discovery with deep learning generative models [0.0]
  本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。 ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
  論文  参考訳（メタデータ） (2020-08-20T14:38:21Z)

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。