ИИХ

💎 Предсказание кристаллической структуры органических соединений с помощью нейросетей

Глубокое машинное обучение повышает скорость и точность прогнозирования в области кристаллографии

⌛ Совместное использование генеративно-состязательной и графовой сверточной нейросетей ускоряет процесс предсказания кристаллической структуры органических соединений до нескольких минут. Эти 2 алгоритма выполняют функции генерации и классификации кристаллических структур, достигая точности свыше 80% при проверке методики на примере лекарственных препаратов.

Высокая стоимость прогнозирования кристаллической структуры методами квантовой механики ограничивает его широкое применение. Для снижения вычислительных затрат предложена методика на основе глубокого машинного обучения.

💠 На основании 177 746 записей данных из кэмбриджской базы (Cambridge Crystal Structure Database) спроектирована генеративно-состязательная нейросеть для создания пробных кристаллических структур при выбранных ограничениях свойств для данной молекулы. Модель графовой сверточной сети предсказывает плотность стабильных кристаллических структур пробных соединений. Далее на основании предсказанной плотности следуют этапы отбора и ранжирования пробных структур, таким образом достигается высокая скорость предсказания.

Комбинация предложенных алгоритмов снижает вычислительные затраты в десятки тысяч раз, а вычислительная скорость методики с использованием глубокого обучения демонстрирует высокий потенциал искусственного интеллекта в области высокоточного предсказания кристаллической структуры.

📌 Публикация: Ye, Zh. et al. Organic crystal structure prediction via coupled generative adversarial networks and graph convolutional networks. The Innovation 2024, 5(2), 100562.

👍4❤1🔥1

www.tgoop.com/AI_and_science/46

1.26K viewsedited  Mar 15, 2024 at 10:09

💎 Предсказание кристаллической структуры органических соединений с помощью нейросетей

Глубокое машинное обучение повышает скорость и точность прогнозирования в области кристаллографии

⌛ Совместное использование генеративно-состязательной и графовой сверточной нейросетей ускоряет процесс предсказания кристаллической структуры органических соединений до нескольких минут. Эти 2 алгоритма выполняют функции генерации и классификации кристаллических структур, достигая точности свыше 80% при проверке методики на примере лекарственных препаратов.

Высокая стоимость прогнозирования кристаллической структуры методами квантовой механики ограничивает его широкое применение. Для снижения вычислительных затрат предложена методика на основе глубокого машинного обучения.

💠 На основании 177 746 записей данных из кэмбриджской базы (Cambridge Crystal Structure Database) спроектирована генеративно-состязательная нейросеть для создания пробных кристаллических структур при выбранных ограничениях свойств для данной молекулы. Модель графовой сверточной сети предсказывает плотность стабильных кристаллических структур пробных соединений. Далее на основании предсказанной плотности следуют этапы отбора и ранжирования пробных структур, таким образом достигается высокая скорость предсказания.

Комбинация предложенных алгоритмов снижает вычислительные затраты в десятки тысяч раз, а вычислительная скорость методики с использованием глубокого обучения демонстрирует высокий потенциал искусственного интеллекта в области высокоточного предсказания кристаллической структуры.

📌 Публикация: Ye, Zh. et al. Organic crystal structure prediction via coupled generative adversarial networks and graph convolutional networks. The Innovation 2024, 5(2), 100562.

BY ИИХ