PulseAugur
中
实时 06:35:44
English(EN) Multimodal Molecular Representation Learning with Graph Neural Networks, Deep & Cross Networks, and SMILES Embeddings

新型神经网络融合三维几何、拓扑和物理学用于分子预测

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的三分支模块化融合神经网络，旨在改进分子性质预测。该框架整合了三种不同的数据模态：使用SchNet的三维空间几何、通过SMILES和ChemBERTa的离散拓扑语法，以及来自Deep & Cross网络的显式宏观理化描述符。通过结合这些正交流，该模型克服了图神经网络等传统方法的局限性，如过平滑，并在QM9基准测试中实现了0.0207 eV的原子化能预测平均绝对误差。该高效架构拥有不到一百万个参数，显著降低了误差，并可作为高通量虚拟筛选的强大代理模型。 AI

影响 这种多模态方法为预测分子性质提供了一种更高效、更准确的方法，有望加速药物发现和材料科学研究。

排序理由 该集群包含一篇详细介绍新模型架构及其在基准测试上评估的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新型神经网络融合三维几何、拓扑和物理学用于分子预测

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Qiwei Han, Chi Zhou, Ruobing Wang, Zheng Ma ·

    基于图神经网络、Deep & Cross 网络和 SMILES 嵌入的多模态分子表示学习

    arXiv:2607.05736v1 Announce Type: new Abstract: Molecular property prediction often relies on isolated data modalities, where continuous 3D graph neural networks (GNNs) struggle to efficiently capture long-range topological dependencies and exact macroscopic heuristics. In this w…

  2. arXiv cs.LG TIER_1 English(EN) · Zheng Ma ·

    基于图神经网络、Deep & Cross网络和SMILES嵌入的多模态分子表示学习

    Molecular property prediction often relies on isolated data modalities, where continuous 3D graph neural networks (GNNs) struggle to efficiently capture long-range topological dependencies and exact macroscopic heuristics. In this work, we introduce a parameter-efficient Tri-Bran…

相关实体

相关话题