研究人员正在探索用于改进机器学习中分子性质预测的新方法。一种名为“程序化预训练”的方法提出，在将模型暴露于实际分子数据之前，先在抽象的、程序化生成的数据上进行训练，可以提高性能，尤其是在标记数据集稀缺的情况下。另一项研究介绍了“BOOM”，这是一个旨在系统评估机器学习模型在化学领域中分布外（OOD）预测能力的基准，揭示了当前模型在超出训练数据泛化方面存在困难。此外，一篇综述讨论了从分子动力学数据中分析分子动力学的机器学习技术，并强调了自监督方法和与生成模型的关系是未来研究的有前景的方向。 AI
影响 分子发现领域的AI进步可以通过提高预测准确性和泛化能力来加速药物开发和材料科学。
排序理由 该集群包含三篇关于化学领域机器学习的arXiv学术论文。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.17831v1 Announce Type: cross Abstract: Molecular property prediction is often limited by the small size of labeled downstream datasets, motivating pretraining on large corpora of unlabeled molecules. In this work, we ask whether useful inductive biases can instead be l…
arXiv:2505.01912v3 Announce Type: replace-cross Abstract: Data-driven molecular discovery leverages artificial intelligence/machine learning (AI/ML) and generative modeling to filter and design novel molecules. Discovering novel molecules requires accurate out-of-distribution (OO…
arXiv:2609.17736v1 Announce Type: cross Abstract: Most molecular transitions occur on timescales far beyond direct molecular dynamics simulations. The committor, the probability that a configuration reaches a product state before a reactant state, is a central kinetic statistic, …