Nat. Mach. Intell. | 少量数据的生成式分子设计
今天介绍苏黎世联邦理工大学Gisbert Schneider团队在nature machine intelligence 2020上发表的论文，该论文利用分子语言模型，结合三种优化方法，可以用少量分子作为数据集训练出一个分子生成模型。 背景 生成式机器学习模型不需要明确的设计规则就可以在化学空间中对分子进行采样，这类模型学习数据的概率分布，生成符合这种分布的新数据(例如，新分子)。近些年来
相关文章
- 1. Nat. Mach. Intell. | 人工智能的透明度和可重复性
- 2. Nat. Mach. Intell. | 快速的蛋白质结构从头预测
- 3. Nat. Mach. Intell. | 利用条件循环神经网络生成特定性质分子
- 4. Nat. Mach. Intell. | 生物医学关系抽取的机器学习新框架
- 5. Nat. Mach. Intell.| 机器学习显著降低药物组合筛选成本
- 6. Nat. Mach. Intell.|从局部解释到全局理解的树模型
- 7. Nat. Mach. Intell. | 基于深度学习预测DNA甲基化位点
- 8. Nat. Mach. Intell. | 集成深度学习在生物信息学中的发展与展望
- 9. Nat. Mach. Intell. | 基于深度强化学习寻找网络中的关键节点
- 10. Nat. Mach. Intell. | 华科同济医学院剑桥联手推出新冠预测模型！
- 更多相关文章...
- • Eclipse 生成jar包 - Eclipse 教程
- • Web 创建设计 - 网站建设指南
- • Flink 数据传输及反压详解
- • IntelliJ IDEA代码格式化设置
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Nat. Mach. Intell. | 人工智能的透明度和可重复性
- 2. Nat. Mach. Intell. | 快速的蛋白质结构从头预测
- 3. Nat. Mach. Intell. | 利用条件循环神经网络生成特定性质分子
- 4. Nat. Mach. Intell. | 生物医学关系抽取的机器学习新框架
- 5. Nat. Mach. Intell.| 机器学习显著降低药物组合筛选成本
- 6. Nat. Mach. Intell.|从局部解释到全局理解的树模型
- 7. Nat. Mach. Intell. | 基于深度学习预测DNA甲基化位点
- 8. Nat. Mach. Intell. | 集成深度学习在生物信息学中的发展与展望
- 9. Nat. Mach. Intell. | 基于深度强化学习寻找网络中的关键节点
- 10. Nat. Mach. Intell. | 华科同济医学院剑桥联手推出新冠预测模型！