PulseAugur
中
实时 14:02:15
English(EN) Synthesizable Molecular Generation via Soft-constrained GFlowNets with Rich Chemical Priors

新的GFlowNet方法生成高度可合成的分子

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为S3-GFN的新方法，用于生成既可合成又具有理想性质的分子。该方法使用基于序列的生成流网络（GFlowNet），并带有软正则化，整合了从大型数据集中学习到的丰富分子先验。通过使用具有可合成和不可合成分子独立缓冲区的对比学习，S3-GFN有效地将生成过程引导至高回报的化学空间，在实验中实现了超过95%的可合成性。 AI

影响 引入了一种更灵活、可扩展的可合成分子生成方法，有望加速药物发现。

排序理由 该集群包含一篇详细介绍分子生成新方法的学术论文。[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) · Hyeonah Kim, Minsu Kim, Celine Roget, Dionessa Biton, Louis Vaillancourt, Yves V. Brun, Yoshua Bengio, Alex Hernandez-Garcia ·

    Synthesizable Molecular Generation via Soft-constrained GFlowNets with Rich Chemical Priors

    arXiv:2602.04119v2 Announce Type: replace Abstract: The application of generative models for experimental drug discovery campaigns is severely limited by the difficulty of designing molecules de novo that can be synthesized in practice. Previous works have leveraged Generative Fl…

相关话题