英特尔|近年来，生成式深度学习模型在分子设计中的应用已经出现显卡

文章图片

文章图片

文章图片

【英特尔|近年来，生成式深度学习模型在分子设计中的应用已经出现】无论深度学习如何影响化学性质映射，对化学空间的有效探索不仅涉及导航物种空间，还涉及导航这些物种的构想空间。构象筛选是化学中的一项巨大挑战，因为对于每个新原子，势能表面上都会出现多个额外的局部最小值。神经网络势能提供了一种探索分子构象空间的快速方法。与构象筛选相反的是开发一个系统，该系统可以为给定分子生成平衡构象异构体。科学家们承担了这一挑战，这证明了深度学习产生平衡构象的能力。

该方法是对科学家们开发的架构的改编，能够以大约零点四厘米的均方根偏差重新生成分子几何形状。此外，科学家们引入了一种新颖但未经严格测试的方法，其中使用三维点云来重新生成分子几何形状。这项工作没有同样强调最小结构，但能够实现大约零点一五安排的非常低的误差。这个研究领域还很年轻，但在最大限度地减少构象筛选瓶颈方面具有巨大的潜力。理想化工作流程的第二阶段是分子设计问题。

这个问题，有时被称为定量结构性质关系，在机器学习应用中有着悠久的历史，包括贝叶斯优化和遗传算法。近年来，生成式深度学习模型在分子设计中的应用已经出现。这种方法的开创性演示之一是科学家的工作，该工作使用了具有潜在空间的自动编码器，该潜在空间通过附加网络进行了优化以反映特定属性。然后可以探索这个“景观”以识别最大化特性的候选分子。

还有许多其他方法也使用自动编码器、生成对抗网络、或强化学习代理来导航围绕特定属性构建的化学空间。最后，循环神经网络还通过调整其文本生成能力用于分子库生成。通用分子设计正在蓬勃发展；然而，有两类特殊分子值得特别关注：材料和药物。这些可以说是设计和优化的两个最具挑战性的分子类别，但也提供了最大的潜在好处。因此，他们推动了深度学习方面的重大研究工作。

电池、航空航天和可再生能源等许多现代技术都依赖于先进材料。深度学习直到最近才开始影响该领域，但在过去几年中，应用程序出现了快速增长。离散小分子和晶体结构之间的区别导致了一组单独的卷积描述符，旨在捕获晶体结构。图卷积神经网络以及C图卷积神经网络变体已被用于预测散装材料的特性，预测热电特性，优化聚合物特性，并探索化学材料空间。这些应用还很年轻。

然而，它已经超越了预测模型，正如Li等人的工作所证明的那样，他们成功地使用强化学习来训练代理以实验控制聚合物的重量分布，从而控制聚合物的特性。除了材料的特性之外，还进行了优化合成参数并执行缺陷检测的工作。最后，一种利用张量网络的深度学习方法，展示了手性超材料的生成设计。大多数这些应用在本质上仍然是理论上的，并且有效地将它们与实验工作流程结合起来。

材料设计的一个关键领域是催化设计。机器学习在催化研究中的应用越来越多；然而，由于可用数据有限、每个催化过程的独特性以及表示多分子系统的难度，深度学习在该领域的应用有限。深度学习在催化剂设计中的应用主要集中在使用神经网络电位对催化系统进行建模。这方面最近的例子包括科学家们对它表面上的氮气建模的工作以对铂簇的优化。将这项工作扩展到使用神经网络电位之外可能需要增加数据收集工作，以及开发更新的描述符来描述相互作用的多分子系统。