論文の概要: Generative artificial intelligence for computational chemistry: a roadmap to predicting emergent phenomena
- arxiv url: http://arxiv.org/abs/2409.03118v1
- Date: Wed, 4 Sep 2024 23:02:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 22:44:13.280402
- Title: Generative artificial intelligence for computational chemistry: a roadmap to predicting emergent phenomena
- Title(参考訳): 計算化学のための創発的人工知能 : 創発的現象を予測するためのロードマップ
- Authors: Pratyush Tiwary, Lukas Herron, Richard John, Suemin Lee, Disha Sanwal, Ruiyu Wang,
- Abstract要約: このパースペクティブは、生成AIと計算化学の両方における概念の構造化された概要を提供する。
次に、オートエンコーダ、生成的敵ネットワーク、強化学習、フローモデル、言語モデルなど、広く使われているジェネレーティブAIメソッドをカバーする。
重要な焦点は、これらの手法が真に予測される前に直面する課題、特に創発的な化学現象を予測することである。
- 参考スコア(独自算出の注目度): 0.49478969093606673
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent surge in Generative Artificial Intelligence (AI) has introduced exciting possibilities for computational chemistry. Generative AI methods have made significant progress in sampling molecular structures across chemical species, developing force fields, and speeding up simulations. This Perspective offers a structured overview, beginning with the fundamental theoretical concepts in both Generative AI and computational chemistry. It then covers widely used Generative AI methods, including autoencoders, generative adversarial networks, reinforcement learning, flow models and language models, and highlights their selected applications in diverse areas including force field development, and protein/RNA structure prediction. A key focus is on the challenges these methods face before they become truly predictive, particularly in predicting emergent chemical phenomena. We believe that the ultimate goal of a simulation method or theory is to predict phenomena not seen before, and that Generative AI should be subject to these same standards before it is deemed useful for chemistry. We suggest that to overcome these challenges, future AI models need to integrate core chemical principles, especially from statistical mechanics.
- Abstract(参考訳): 最近の生成人工知能(AI)の急増は、計算化学にエキサイティングな可能性をもたらした。
生成AI手法は、化学種全体にわたって分子構造をサンプリングし、力場を発達させ、シミュレーションを高速化する。
このパースペクティブは、生成AIと計算化学の両方の基本的な理論的概念から始まる、構造化された概要を提供する。
次に、オートエンコーダ、生成的敵ネットワーク、強化学習、フローモデル、言語モデルなど、広く使われているジェネレーティブAIメソッドをカバーし、力場開発やタンパク質/RNA構造予測など、さまざまな領域におけるそれらの選択された応用をハイライトする。
重要な焦点は、これらの手法が真に予測される前に直面する課題、特に創発的な化学現象を予測することである。
我々は、シミュレーション手法や理論の最終的な目標は、これまで見たことのない現象を予測することであり、生成AIは、化学に有用であると考えられる前に、これらの同じ基準に従うべきであると信じている。
これらの課題を克服するためには、将来のAIモデルは、特に統計力学から、核となる化学原理を統合する必要があると提案する。
関連論文リスト
- Automated Molecular Concept Generation and Labeling with Large Language Models [40.16671798724945]
本稿では,自動分子概念(AutoMolCo)生成とラベリングのための新しいフレームワークを提案する。
AutoMolCoフレームワーク全体が、概念生成、ラベル付け、精巧化のいずれにおいても、人間の知識を入力せずに自動化されている。
我々は,AutoMolCoによる説明可能なCMが分子科学研究に有用であり,有望であることを示す。
論文 参考訳(メタデータ) (2024-06-13T22:44:08Z) - Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。
本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。
本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
論文 参考訳(メタデータ) (2024-04-13T02:39:36Z) - Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [57.70772230913099]
Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。
Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。
Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
論文 参考訳(メタデータ) (2023-11-16T01:21:33Z) - 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) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳(メタデータ) (2023-08-15T16:37:16Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - 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) - Automatic Identification of Chemical Moieties [11.50343898633327]
本稿では, メッセージパッシングニューラルネットワークを用いて, 原子表現から化学量を自動的に同定する手法を提案する。
本手法の汎用性は, 化学データベースにおける代表成分の選択を可能にすることによって実証される。
論文 参考訳(メタデータ) (2022-03-30T10:58:23Z) - Quantum Machine Learning for Chemistry and Physics [2.786820702277084]
機械学習(ML)とその従兄弟のディープラーニング(DL)は、物理科学、特に化学のあらゆる分野で前例のない発展をもたらした。
このレビューでは、これらのトピックのサブセットを詳述し、古典的および量子コンピューティングの強化された機械学習アルゴリズムによる貢献を、過去数年間にわたって詳述する。
論文 参考訳(メタデータ) (2021-11-01T11:38:47Z) - Assigning Confidence to Molecular Property Prediction [1.015785232738621]
機械学習は、既存のデータセットから学び、目に見えない分子の予測を実行する強力な戦略として登場した。
薬物設計に関連する分子特性を予測するための一般的な戦略、それに対応する不確実性源および不確実性および信頼性を定量化する方法について議論する。
論文 参考訳(メタデータ) (2021-02-23T01:03:48Z) - Drug discovery with explainable artificial intelligence [0.0]
分子科学の機械言語の新しい物語の必要性に対処する「説明可能な」深層学習手法が求められている。
このレビューでは、説明可能な人工知能の最も顕著なアルゴリズム概念を要約し、将来の可能性、潜在的な応用、そして残る課題を予測している。
論文 参考訳(メタデータ) (2020-07-01T14:36:23Z)
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。