文章圖片
文章圖片
文章圖片
無論深度學習如何影響化學性質映射 ， 對化學空間的有效探索不僅涉及導航物種空間 ， 還涉及導航這些物種的構想空間 。 構象篩選是化學中的一項巨大挑戰 ， 因為對于每個新原子 ， 勢能表面上都會出現多個額外的局部最小值 。 神經網絡勢能提供了一種探索分子構象空間的快速方法 。 與構象篩選相反的是開發一個系統 ， 該系統可以為給定分子生成平衡構象異構體 。 科學家們承擔了這一挑戰 ， 這證明了深度學習產生平衡構象的能力 。
【中間件|近年來，生成式深度學習模型在分子設計中的應用已經出現】該方法是對科學家們開發的架構的改編 ， 能夠以大約零點四厘米的均方根偏差重新生成分子幾何形狀 。 此外 ， 科學家們引入了一種新穎但未經嚴格測試的方法 ， 其中使用三維點云來重新生成分子幾何形狀 。 這項工作沒有同樣強調最小結構 ， 但能夠實現大約零點一五安排的非常低的誤差 。 這個研究領域還很年輕 ， 但在最大限度地減少構象篩選瓶頸方面具有巨大的潛力 。 理想化工作流程的第二階段是分子設計問題 。
這個問題 ， 有時被稱為定量結構性質關系 ， 在機器學習應用中有著悠久的歷史 ， 包括貝葉斯優化和遺傳算法 。 近年來 ， 生成式深度學習模型在分子設計中的應用已經出現 。 這種方法的開創性演示之一是科學家的工作 ， 該工作使用了具有潛在空間的自動編碼器 ， 該潛在空間通過附加網絡進行了優化以反映特定屬性 。 然后可以探索這個“景觀”以識別最大化特性的候選分子 。
還有許多其他方法也使用自動編碼器、生成對抗網絡、或強化學習代理來導航圍繞特定屬性構建的化學空間 。 最后 ， 循環神經網絡還通過調整其文本生成能力用于分子庫生成 。 通用分子設計正在蓬勃發展；然而 ， 有兩類特殊分子值得特別關注：材料和藥物 。 這些可以說是設計和優化的兩個最具挑戰性的分子類別 ， 但也提供了最大的潛在好處 。 因此 ， 他們推動了深度學習方面的重大研究工作 。
電池、航空航天和可再生能源等許多現代技術都依賴于先進材料 。 深度學習直到最近才開始影響該領域 ， 但在過去幾年中 ， 應用程序出現了快速增長 。 離散小分子和晶體結構之間的區別導致了一組單獨的卷積描述符 ， 旨在捕獲晶體結構 。 圖卷積神經網絡以及C圖卷積神經網絡變體已被用于預測散裝材料的特性 ， 預測熱電特性 ， 優化聚合物特性 ， 并探索化學材料空間 。 這些應用還很年輕 。
然而 ， 它已經超越了預測模型 ， 正如Li等人的工作所證明的那樣 ， 他們成功地使用強化學習來訓練代理以實驗控制聚合物的重量分布 ， 從而控制聚合物的特性 。 除了材料的特性之外 ， 還進行了優化合成參數并執行缺陷檢測的工作 。 最后 ， 一種利用張量網絡的深度學習方法 ， 展示了手性超材料的生成設計 。 大多數這些應用在本質上仍然是理論上的 ， 并且有效地將它們與實驗工作流程結合起來 。
材料設計的一個關鍵領域是催化設計 。 機器學習在催化研究中的應用越來越多；然而 ， 由于可用數據有限、每個催化過程的獨特性以及表示多分子系統的難度 ， 深度學習在該領域的應用有限 。 深度學習在催化劑設計中的應用主要集中在使用神經網絡電位對催化系統進行建模 。 這方面最近的例子包括科學家們對它表面上的氮氣建模的工作以對鉑簇的優化 。 將這項工作擴展到使用神經網絡電位之外可能需要增加數據收集工作 ， 以及開發更新的描述符來描述相互作用的多分子系統 。
相關經驗推薦
- 社交|Vivo的2022造機方法論
- MIUI13|小米近年來最好的MIUI：MIUI13的5個新功能介紹
- 算法|永華張彬分析：人工智能生成藝術預計將成為NFT領域的下一個趨勢
- TCL|田者高拍的高拍儀優點有哪些？
- 英特爾|百度輸入法AI造字：手寫12字生成專屬字體，用AI還原“見字如面”
- 一加科技|近年來，智能技術在醫學各個領域的應用顯著增長，促進了醫學的發展
- 芯片|多模態、萬億參數、生成語音，吳恩達回顧人工智能2021
- 中間件|超詳細！django中間件用法以及實例操作
- 深圳市|近年來，人工智能取得了顯著進展，這對麻醉醫學產生了很大的影響
- vivo|財務的看過來，一個生成動態報表的Excel神技巧