用于逆向分子设计の引导扩散模型

whaosoft143

已于 2023-10-28 14:35:20 修改

阅读量598

点赞数 1

分类专栏：人工智能文章标签：人工智能

于 2023-10-28 14:33:10 首次发布

本文链接：https://blog.csdn.net/qq_29788741/article/details/134090923

版权

以色列理工学院和威尼斯大学的研究团队提出GaUDI，一种结合了等变图神经网络和生成扩散模型的新型方法，用于逆向分子设计。GaUDI在多目标任务中表现出色，能生成具有最佳特性的分子，甚至超越现有数据集。研究发表在《NatureComputationalScience》上，对未来有机电子学和光电子学等领域有重要影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

「从头分子设计」是材料科学的「圣杯」。生成深度学习的引入极大地推进了这一方向，但分子发现仍然具有挑战性，而且往往效率低下。

以色列理工学院（Technion-Israel Institute of Technology）和意大利威尼斯大学（University Ca’ Foscari of Venice）的研究团队，提出一种用于逆向分子设计的引导扩散模型：GaUDI，它结合了用于属性预测的等变图神经网络和生成扩散模型。生成的分子几乎 100% 有效

研究人员通过将单目标和多目标任务应用于生成的 475,000 个多环芳香族系统数据集，证明了 GaUDI 在设计有机电子应用分子方面的有效性。GaUDI 展示了改进的条件设计，生成具有最佳特性的分子，甚至超越原始分布，提出了比数据集中的分子更好的分子。除了逐点目标之外，GaUDI 还可以引导至开放式目标（例如最小值或最大值），并且在所有情况下，生成的分子的有效性都接近 100%。

该研究以「Guided diffusion for inverse molecular design」为题，于 2023 年 10 月 5 日发布在《Nature Computational Science》上。

分子设计已有方法及其挑战

新技术的发展往往取决于获取新功能分子的能力。然而，分子发现对于化学家和材料科学家来说仍然是一个开放的挑战，因为很难准确地模拟分子和材料的性质。这通常会因满足多种需求而加剧，这些需求有时可能是矛盾的，甚至是相互排斥的，例如，需要催化剂既稳定又活跃。因此，关键是找到多种分子特性之间的最佳权衡，以便给定的分子可以提供所需的功能。

找到这个最佳点，首先需要确定分子