Как стать автором
Обновить

Играем в GOLF. Как обучить нейросети точно предсказывать геометрию молекул, используя малое число данных

Уровень сложностиСредний
Время на прочтение8 мин
Количество просмотров1.8K
Всего голосов 14: ↑14 и ↓0+18
Комментарии4

Комментарии 4

Артём, стандартная модель описывается киральной теорией частиц. Она объясняет строение молекул и кластерных ядер, в кластерных ядрах имеется сильная зависимость от направления спинов соседних нуклонов, именно геометрия волновой функции частицы определяет притягивается она или нет и под каким углом эта связь. Если вам интересно пишите

Очень выдающаяся и современная работа! Что думаете насчёт (а) применения стандартных форматов ML-моделей, типа ONNX, и (б) интеграции с другими хемоинформатическими онлайн-платформами, типа OpenKIM и Optimade?

Спасибо!
(а) По поводу форматов типа ONXX. Пока не видим в них необходимости, но можем рассмотреть, если таковая возникнет.
(б) Насколько я понял, OpenKIM является репозиторием для различных межатомных потенциалов. Модели, обученные с помощью GOLF также являются межатомными потенциалами (нейронными), однако мы не планируем контрибьютить в этот репозиторий.
Optimade предоставляет единый API для работы с различными датасетами материалов. В данный момент мы активно работаем над тем, чтобы применить GOLF для обучения нейронных потенциалов в различных доменах: Open Catalyst, пары белок-лиганд, молекулы в растворе и так далее. Возможно, когда-нибудь доберемся и до материалов.

В чем разница с моделью ANI от команды Олександра Исаева?

Зарегистрируйтесь на Хабре, чтобы оставить комментарий