探索分子科学新边界：Graphormer - 深度学习的分子建模工具

探索分子科学新边界：Graphormer - 深度学习的分子建模工具

GraphormerGraphormer is a general-purpose deep learning backbone for molecular modeling.项目地址:https://gitcode.com/gh_mirrors/gr/Graphormer

Graphormer 是一个深度学习框架，专为研究和开发人员设计，旨在加速分子科学中的AI应用，如材料发现和药物发现。这个项目由微软研究团队推出，其目标是让研究人员能够轻松训练自定义模型，以处理复杂分子建模任务。

高级预训练模型，只在 Azure Quantum Elements 上可用

Graphormer 提供了先进的预训练版本，可以在 Azure Quantum Elements 平台上独享。这意味着你可以利用这些经过优化的模型来快速启动你的分子建模工作，无需从头开始训练。

Graphormer v2.0 的亮点

• 在 Open Catalyst Challenge 中使用的模型、代码和脚本已开放。
• 包含对 PCQM4M 和 PCQM4Mv2 的预训练模型，更多模型即将发布。
• 支持 PyG、DGL、OGB 和 OCP 的接口和数据集。
• 基于 fairseq 的后端支持，提升训练效率。
• 完整的在线文档，提供详尽的使用指南。

技术更新

Graphormer 不断进化，近期更新包括：

• 发布了一份技术报告，描述了在 PCQM4M 和 Open Catalyst Project 数据集上的改进基准测试结果。
• 在 Open Catalyst Challenge 中荣获第一，并在 NeurIPS 2021 大会上进行了技术分享。
• 图形化处理器已经获得 NeurIPS 2021 的接纳，其功能得到了进一步增强，成为通用的分子建模工具箱。

立即开始使用

主要的文档位于 Graphormer.readthedocs.io，提供了起步指南、训练新模型以及扩展 Graphormer 的说明。通过查看 examples 文件夹，可以了解如何在命令行中执行常见任务。

环境配置与安装

通过简单的 Conda 脚本 install.sh 即可完成环境搭建。

引用与贡献

如果你使用了 Graphormer，请引用以下论文：

• Shi et al., 2022. Benchmarking Graphormer on Large-Scale Molecular Modeling Datasets. arXiv preprint arXiv:2203.04810.
• Ying et al., 2021. Do Transformers Really Perform Badly for Graph Representation?. Thirty-Fifth Conference on Neural Information Processing Systems.

该项目欢迎各种形式的贡献和建议，只需同意并遵循 Microsoft 开源代码行为准则 即可参与。

特点概览

1. 易用性： Graphormer 提供了直观的接口，使研究人员可以轻松定制和实验不同的分子模型。
2. 高性能：基于 Transformer 架构，它在大型分子建模任务上表现卓越。
3. 广泛兼容性：支持多种流行的数据集和库，如 PyG, DGL, OGB 和 OCP。
4. 预训练模型：预先训练的模型可以直接用于多种场景，大大降低了入手难度。

Graphormer 结合了最新的深度学习技术和专业的分子科学知识，是你探索分子科学新边界的理想工具。立即加入我们，一同推动这一领域的创新进展！

GraphormerGraphormer is a general-purpose deep learning backbone for molecular modeling.项目地址:https://gitcode.com/gh_mirrors/gr/Graphormer