10:16官方账号arXiv cs.AI@Boqiao Zhang, Godbless James, Sai Krishna Gottipati, Andrew FitzgibbonPGFS++是一种用于分子性质优化的强化学习框架,在合成和多样性约束下实现改进。该框架基于PGFS升级,采用可训练反应模板表示,显著提升性能。相比前代方法,它在改善目标性质的同时保持了输出多样性。AI模型PGFS++分子优化强化学习推荐理由:PGFS++是新分子优化方法,能解决合成和多样性难题,比之前版本效果更好还保分子多样性。原文稍后读已读值得跟进有用关注 PGFS++
12:14官方账号arXiv cs.LG@Jiannan Yang, Veronika Thost, Xiang Ling, Tengfei Ma该论文提出短时图记忆模块,在固定oracle预算下更高效地筛选候选分子。模块用在线图神经网络预筛每轮候选池,将有限查询次数留给预测效用更高的分子。在标准分子优化基准上,该方法平均top-10分数提升且无额外oracle成本。在1000次调用的紧凑预算下,全部四个测试生成器均有收益。论文还分析了代理引导选择与各生成器探索/利用行为的关系。论文分子优化图神经网络Oracle预算推荐理由:这篇论文教你怎么用图神经网络当筛选器,同样的查询次数分子优化效果更好,四个生成器都试了,值得看。原文稍后读已读值得跟进有用关注 分子优化
10:59官方账号arXiv cs.LG@Matthias Blaschke, Daniel Kienzle, Zsuzsanna Koczor-Benda, Julian Lorenz, Rainer Lienhart, Fabian Pauly新发布的Nanotechnology Molecular Optimization (NMO) Benchmark 替代传统药物发现中的代理指标,使用量子模拟评分。该基准对生成式分子模型提出严格结构约束和崎岖适应度景观。测试发现先进的分子优化方法在NMO任务上表现不及更简单的基线方法。研究团队开发了新基线方法,包含用于建模结构约束的新表示和消除制药数据集偏见的域无关预训练策略。该方法超越了最先进的物理性质结果,并揭示此前未知的结构基序。AI模型NMONanotechnology Molecular Optimization分子优化推荐理由:科学家们搞了个新基准NMO,专门用来测试分子优化算法在纳米技术上的表现,直接用量子模拟打分,结果发现之前的先进方法还不如简单方法好用。原文稍后读已读值得跟进有用关注 NMO