Molecular Property Prediction Based on a Multichannel Substructure Graph
PulseAugur coverage of Molecular Property Prediction Based on a Multichannel Substructure Graph — every cluster mentioning Molecular Property Prediction Based on a Multichannel Substructure Graph across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的诊断测试LLM的化学推理能力，超越记忆
研究人员开发了一个名为“身份盲推理诊断”的新框架，用于评估大型语言模型（LLM）在化学预测任务中的真实推理能力。该框架隐藏了目标化学物质的身份，而是通过源实体和结构编辑操作来定义它。这种方法旨在防止模型依赖于记忆或与目标身份相关的上下文线索。在包括气味预测和逆合成在内的六项任务的实验中发现，虽然模型性能受到源-目标属性一致性的影响，但一些模型根据取代的源实体标签表现出系统性的预测偏移，这表明可能缺乏真正的结构-属性推理。
-
量子储层计算在分子性质预测方面取得突破性进展
研究人员开发了一种新颖的量子储层计算架构，使用离散时间晶体（DTCs）来预测分子性质。该基于DTC的系统处理局部分子图事件和表面跳跃帧，并通过受控重置来管理输入贡献。与回声状态网络相比，该架构在抑制剂活性分类和电子能隙预测等任务中表现出优越的性能，特别是在输入长度与输出宽度匹配时。在超导量子云平台上的实验表明，即使在设备噪声下，该系统也能保留任务信息，这表明其在分子筛选和时间分辨性质预测方面的潜力。
-
图工具将小型语言模型分子预测准确率提升高达74%
一篇新的arXiv论文介绍了一种上下文增强提示框架，旨在增强小型语言模型（SLMs）的分子属性预测能力。该框架使SLMs能够利用外部工具，特别是图神经网络（GNN）专家模型，来接收预测提示并提取带有解释的相关子图。在MUTAG和Tox21数据集上的实验表明，准确性得到了显著提高，当图派生上下文被纳入提示时，相对增益通常超过25%，在Tox21上最高可达74%。尽管取得了这些进展，研究指出与专用GNN模型相比，性能差距依然存在，这表明文…
-
新的量子图神经网络框架有望实现可扩展性和表达能力
研究人员开发了一种新颖的消息传递量子图神经网络 (QGNN) 框架，该框架旨在实现可扩展性和表达能力。这种新的 QGNN 具有排列等变性，并且可以精确地定位在 Weisfeiler-Leman 层级中，这是图区分的标准度量。该框架通过引入预训练策略解决了变分量子电路中常见的可训练性问题，并通过多达 56 个量子比特的大规模模拟进行了验证。
-
AI 代理通过闭环研究改进分子性质预测
研究人员开发了一个闭环自动研究系统，将自动化机器学习的范围从固定数据集扩展到动态改变研究工作流程。该系统利用语言模型代理来编辑代码、表示形式并获取分子性质预测的外部证据。在 36 个端点上的实验表明，虽然特征和模型的自动搜索对保留测试数据的泛化能力有限，但精心策划的外部数据显著提高了特定任务的性能，突显了在人工智能驱动的研究中，仔细的数据策划和验证对于可迁移性的重要性。
-
决策树增强大型语言模型在分子性质预测方面的能力
研究人员开发了一种名为TreeKD的新方法，以提高大型语言模型（LLMs）在分子性质预测任务中的准确性，这项任务在药物发现中至关重要。TreeKD通过将从基于分子特征训练的专业决策树中提取的知识，通过口头提示蒸馏到LLMs中。这种方法增强了LLMs的内部知识和预测能力。该方法还采用了一种称为规则一致性的技术，用于在测试时聚合预测，进一步提高性能。