Google研究 | 使用机器学习预测分子性质

谷歌开发者

于 2017-05-03 10:17:34 发布

阅读量1.4k

点赞数

本文链接：https://blog.csdn.net/googledevs/article/details/78100734

版权

Google Brain团队与合作伙伴发布两篇论文，介绍如何使用机器学习预测化学性质，特别是通过消息传递神经网络（MPNN）模型，提高了预测分子属性的准确性和效率。这些模型在QM9基准库上的表现超越了传统方法，速度提升高达30万倍，为化学研究带来革命性影响。然而，模型还需要进一步推广以适应更广泛的分子类型。

摘要由CSDN通过智能技术生成

文 | Google Brain 团队研究员 George Dahl

最近，在化学行业涌现了许多激动人心的机器学习 (ML) 应用，特别是在解决化学检索问题方面，从药物发现和电池设计到寻找更好的 OLED 和催化剂，层出不穷。历史上，化学家一直使用薛定谔方程式的数值逼近（例如密度泛函理论 (DFT)）来进行此类化学检索。

然而，计算这些近似值的开销限制了检索的规模。为了实现更大规模的检索，几个研究小组建立了机器学习模型，使用 DFT 生成的训练数据（例如 Rupp et al. 和 Behler and Parrinello）预测化学性质。在开展前述工作之前，我们一直使用各种现代机器学习方法来开发 QM9 基准库，这是一组公开的分子库，其中提供了根据 DFT 理论计算得出的各种分子的电子、热力学和振动特性。

我们最近发布了两篇论文，介绍了我们在此领域的研究成果，这些成果源自 Google Brain 团队、Google Accelerated Science 团队、DeepMind 和巴塞尔大学的密切合作。第一篇论文介绍了一种新的分子影像制作方法以及一种评估开发 QM9 基准库所用的各种机器学习方法的系统化评估方法。在对此基准库尝试过许多现有方法之后，我们曾致力于改进最有希望的深度神经网络模型。

其结果是，我们发表了第二篇论文“量子化学的神经消息传递”(Neural Message Passing for Quantum Chemistry)，其中介绍了一个称为消息传递神经网络 (Message Passing Neural Net