研究人员推出了一种新颖的架构——大型发现模型（LDM），旨在通过在广阔的假设空间中优化复杂目标来加速科学发现。LDM集成了生成模型和贝叶斯非参数奖励代理，使其能够预测候选性能并量化不确定性。这种对不确定性的感知指导新设计的生成、优化和选择，并且随着新的实验数据可用，模型会不断更新其记忆和代理。在神经网络训练、抗体设计和分子优化方面的评估表明，LDM的性能显著优于传统方法和仅使用LLM的方法，在各种性能指标上取得了实质性改进。 AI
影响 该模型可以通过提高复杂设计空间中的搜索效率，显著加速科学突破。
排序理由 该集群描述了一篇关于用于科学发现的新型模型架构的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- Bayesian non-parametric reward surrogate
- CYP51A1
- Hugging Face
- Large Discovery Model
- large language models
- molecular optimisation
- Molecules
- neural-network training
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
