English(EN) From Human Labels to Literature: Semi-Supervised Learning of NMR Chemical Shifts at Scale

AI模型从文献数据中学习核磁共振化学位移

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了一种新颖的半监督学习框架，用于预测核磁共振（NMR）化学位移，这是光谱分析和分子结构解析的关键步骤。该新方法利用了从科学文献中提取的数百万个未分配光谱，并将其与少量明确标记的数据相结合。该方法将来自文献光谱的化学位移预测视为一个置换不变集监督问题，利用最优二分匹配技术，该技术简化为基于排序的损失，以实现稳定的大规模训练。与现有的最先进方法相比，所得模型显示出更高的准确性和鲁棒性，并在更大、更多样化的分子数据集上具有更好的泛化能力。值得注意的是，该框架是第一个大规模纳入溶剂信息的框架，能够捕捉常见核磁共振溶剂中的系统溶剂效应，并突显了源自文献的、弱结构化数据在科学研究中人工智能方面的潜力。 AI

影响这项研究展示了一种利用大规模无标签科学文献训练人工智能模型的新颖方法，有望加速化学和其他科学领域的发现。

排序理由详细介绍一种新的科学研究机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍一种新的科学研究机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yongqi Jin, Yecheng Wang, Jun-jie Wang, Rong Zhu, Guolin Ke, Weinan E · 2026-09-10 04:00

从人工标注到文学：大规模核磁共振化学位移的半监督学习

arXiv:2601.18524v2 Announce Type: replace Abstract: Accurate prediction of nuclear magnetic resonance (NMR) chemical shifts is fundamental to spectral analysis and molecular structure elucidation, yet existing machine learning methods rely on limited, labor-intensive atom-assigne…

本文如何被排名

报道来源 [1]

从人工标注到文学：大规模核磁共振化学位移的半监督学习

相关实体

相关话题