論文の概要: Materials Discovery with Extreme Properties via AI-Driven Combinatorial
Chemistry
- arxiv url: http://arxiv.org/abs/2303.11833v1
- Date: Tue, 21 Mar 2023 13:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 15:08:04.419387
- Title: Materials Discovery with Extreme Properties via AI-Driven Combinatorial
Chemistry
- Title(参考訳): AI-Driven Combinatorial Chemistryによる極物性材料発見
- Authors: Hyunseung Kim (1), Haeyeon Choi (2), Dongju Kang (1), Won Bo Lee (1),
Jonggeol Na (2) ((1) Seoul National University, (2) Ewha Womans University)
- Abstract要約: 我々は、データに依存しない規則に基づく逆分子デザイナであるAI駆動化学を開発する。
本モデルは,確率分布学習モデルよりも優れた材料を発見するのに適していることを示す。
我々のモデルは、タンパク質ドッキング材料とHIV阻害剤の発見という2つの実用的応用でうまく機能する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The goal of most materials discovery is to discover materials that are
superior to those currently known. Fundamentally, this is close to
extrapolation, which is a weak point for most machine learning models that
learn the probability distribution of data. Herein, we develop AI-driven
combinatorial chemistry, which is a rule-based inverse molecular designer that
does not rely on data. Since our model has the potential to generate all
possible molecular structures that can be obtained from combinations of
molecular fragments, unknown materials with superior properties can be
discovered. We theoretically and empirically demonstrate that our model is more
suitable for discovering better materials than probability
distribution-learning models. In an experiment aimed at discovering molecules
that hit seven target properties, our model discovered 1,315 of all
target-hitting molecules and 7,629 of five target-hitting molecules out of
100,000 trials, whereas the probability distribution-learning models failed. To
illustrate the performance in actual problems, we also demonstrate that our
models work well on two practical applications: discovering protein docking
materials and HIV inhibitors.
- Abstract(参考訳): ほとんどの材料発見の目標は、現在知られているものよりも優れた物質を発見することである。
これは基本的に、データの確率分布を学習するほとんどの機械学習モデルにとって弱い点である外挿に近い。
そこで我々は,データに依存しない規則に基づく逆分子デザイナであるAI駆動組合せ化学を開発した。
このモデルでは, 分子断片の組合せから得られる全ての分子構造を生成できる可能性があるため, 優れた特性を持つ未知の物質が発見できる。
本モデルは,確率分布学習モデルよりも優れた材料を発見するのに適していることを示す。
7つのターゲット特性にぶつかる分子を探索する実験で、10万個の実験から1,315個のターゲットヒット分子と7,629個のターゲットヒット分子を発見したが、確率分布学習モデルでは失敗した。
実際の問題の性能を説明するために,タンパク質ドッキング材料とHIV阻害剤の発見という2つの実用的応用に,我々のモデルが有効であることを実証した。
関連論文リスト
- Feedback Efficient Online Fine-Tuning of Diffusion Models [54.132297393662654]
提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。
本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
論文 参考訳(メタデータ) (2024-02-26T07:24:32Z) - Structure to Property: Chemical Element Embeddings and a Deep Learning
Approach for Accurate Prediction of Chemical Properties [0.0]
本稿では,多層エンコーダやデコーダアーキテクチャなどのディープラーニング技術に基づく新しい機械学習モデルを提案する。
有機および無機化合物を含む各種入力データに適用することで,本手法がもたらす機会を実証する。
この研究で使用されるモデルは高い予測力を示し、洗練された機械学習で実現可能な進歩を裏付けるものである。
論文 参考訳(メタデータ) (2023-09-17T19:41:32Z) - 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) - 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) - Hybrid Quantum Generative Adversarial Networks for Molecular Simulation
and Drug Discovery [13.544339314714902]
現在の古典的な計算力は、小さな分子以上をシミュレートするには不十分である。
毎年数十億ドルが研究に費やされている。
グラフ構造化データの深い生成モデルは、化学合成の問題に新たな視点を与えてくれる。
論文 参考訳(メタデータ) (2022-12-15T13:36:35Z) - Calibration and generalizability of probabilistic models on low-data
chemical datasets with DIONYSUS [0.0]
我々は、小さな化学データセット上での確率論的機械学習モデルの校正と一般化可能性について広範な研究を行う。
私たちは、さまざまなタスク(バイナリ、回帰)とデータセットにおける予測と不確実性の品質を分析します。
我々は、新しい化学実験において一般的なシナリオである、小さな化学データセットをモデル化するためのモデルと特徴の選択に関する実践的な洞察を提供する。
論文 参考訳(メタデータ) (2022-12-03T08:19:06Z) - 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) - 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) - Flexible dual-branched message passing neural network for quantum
mechanical property prediction with molecular conformation [16.08677447593939]
メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。
本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
論文 参考訳(メタデータ) (2021-06-14T10:00:39Z)
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。