PulseAugur
中
实时 11:22:28
English(EN) VQ-Atom: Semantic Discretization of Local Atomic Environments for Molecular Representation Learning

VQ-Atom 将分子数据分词以加速 AI 训练

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 VQ-Atom，一种新颖的分子表示学习框架，它使用向量量化根据局部原子环境分配离散标记。这种方法比传统的 SMILES 表示更有效地编码化学背景，从而提高了药物-靶点相互作用预测的性能。VQ-Atom 还通过用可重用的离散标记替换连续的原子级特征来加速下游训练，这表明标记设计是分子机器学习的关键因素。 AI

影响 引入了一种新的分词方法，可以加速分子任务的 AI 训练。

排序理由 该集群包含一篇详细介绍分子表示学习新方法的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Takayuki Kimura ·

    VQ-Atom: 用于分子表示学习的局部原子环境的语义离散化

    arXiv:2605.16823v2 Announce Type: replace Abstract: Large language models succeed by combining large-scale pretraining with meaningful discrete tokens. In molecular machine learning, SMILES is widely used as a token representation, but it is primarily a linearization format for m…

相关话题