![[personal profile]](https://www.dreamwidth.org/img/silk/identity/user.png){kind=small}
paroh"Новый документ от команды Clean Energy Project показывает, что теперь они могут использовать многослойные искусственные нейронные сети для прогнозирования электрических свойств новых молекул без фактической симуляции всей молекулы. Это достижение стало возможным благодаря огромному количеству симуляций сделанных для Clean Energy Project и обещает облегчить скрининг многих других молекул, чем команда могла решать в их предыдущей работе.
Название работы:
"Учимся у гарвардского проекта чистой энергии: использование нейронных сетей для ускорения обнаружения материалов"
Опубликовано в журнале:
Расширенные функциональные материалы.
Авторы:
Edward O. Pyzer-Knapp, Kewei Li and Alan Aspuru-Guzik
Резюме для неспециалистов.
В этой статье Эдуард из проекта чистой энергии Гарварда показывает как методы из области машинного обучения могут быть использованы для ускорения скрининга материалов. С помощью специального класса нейронных сетей, известных как многослойные персептроны, он способен предсказывать свойства молекулы с высокой степенью точности до проведения каких-либо расчетов. Они показывают, как с помощью этого метода можно устранить почти 99% библиотеки скрининга или молекул без ее расчета. Устраняя молекулы, которые вряд ли окажутся полезными, они значительно увеличивают диапазон молекул, которые могут быть рассмотрены в рамках Clean Energy Project.
Резюме для специалистов.
Здесь, применение многослойных персептронов, тип искусственной нейронной сети, предлагается в качестве части вычислительной воронкообразующей процедуры для высокой пропускной способности дизайна органических материалов. Благодаря использованию современных алгоритмов и большого количества данных, извлеченных из Гарвардского проекта чистой энергии, было продемонстрировано, что эти методы позволяют большое сокращение доли скрининга библиотеки, которая фактически рассчитывается. Нейронные сети могут воспроизвести результаты квантово-химических расчетов с большой степенью точности. Предлагаемый подход позволяет осуществлять масштабные проекты молекулярного скрининга с меньшим временем вычислений. Это, в свою очередь, позволяет использовать для исследования все более и более крупные и разнообразные библиотеки."
Оригинал. (на англ.)
Название работы:
"Учимся у гарвардского проекта чистой энергии: использование нейронных сетей для ускорения обнаружения материалов"
Опубликовано в журнале:
Расширенные функциональные материалы.
Авторы:
Edward O. Pyzer-Knapp, Kewei Li and Alan Aspuru-Guzik
Резюме для неспециалистов.
В этой статье Эдуард из проекта чистой энергии Гарварда показывает как методы из области машинного обучения могут быть использованы для ускорения скрининга материалов. С помощью специального класса нейронных сетей, известных как многослойные персептроны, он способен предсказывать свойства молекулы с высокой степенью точности до проведения каких-либо расчетов. Они показывают, как с помощью этого метода можно устранить почти 99% библиотеки скрининга или молекул без ее расчета. Устраняя молекулы, которые вряд ли окажутся полезными, они значительно увеличивают диапазон молекул, которые могут быть рассмотрены в рамках Clean Energy Project.
Резюме для специалистов.
Здесь, применение многослойных персептронов, тип искусственной нейронной сети, предлагается в качестве части вычислительной воронкообразующей процедуры для высокой пропускной способности дизайна органических материалов. Благодаря использованию современных алгоритмов и большого количества данных, извлеченных из Гарвардского проекта чистой энергии, было продемонстрировано, что эти методы позволяют большое сокращение доли скрининга библиотеки, которая фактически рассчитывается. Нейронные сети могут воспроизвести результаты квантово-химических расчетов с большой степенью точности. Предлагаемый подход позволяет осуществлять масштабные проекты молекулярного скрининга с меньшим временем вычислений. Это, в свою очередь, позволяет использовать для исследования все более и более крупные и разнообразные библиотеки."
Оригинал. (на англ.)
