Schnetz
PulseAugur coverage of Schnetz — every cluster mentioning Schnetz across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
图神经网络利用全原子嵌入预测蛋白拓扑结构
研究人员开发了一种使用SchNet图神经网络（GNN）预测跨膜蛋白拓扑结构的新方法。该方法利用了全原子级别的嵌入，这与仅依赖蛋白质序列或α-碳的传统方法不同。该GNN在与DeepTMHMM模型相同的数据集上进行了5倍交叉验证训练，显示出在无需预训练权重的情况下进行拓扑预测的巨大潜力。
-
FoldPipe 系统简化了分子机器学习数据流
研究人员开发了 FoldPipe，这是一个 Python 编排层，旨在提高分子机器学习模型训练的效率。该系统解决了从远程存储检索大型分子图数据集的挑战，尤其是在内存受限的实例上。FoldPipe 的工作原理是在主进程处理当前数据碎片时，在后台线程中预取数据碎片，从而确保实时数据的有界缓冲区。
-
新的GNN模型推动晶体性质预测和分子模拟
研究人员开发了新的图神经网络（GNN）模型来预测晶体性质。其中一种方法CPGN使用多尺度GNN联合学习原子、键和配位多面体表示，在形成能和带隙预测的基准数据集上优于现有模型。另一项开发MolCryst-MLIPs提供了一个分子晶体微调MACE模型的开放数据库，该模型能够解析多晶型能量景观并在模拟过程中保持结构完整性。
-
新型神经网络融合三维几何、拓扑和物理学用于分子预测
研究人员开发了一种新颖的三分支模块化融合神经网络，旨在改进分子性质预测。该框架整合了三种不同的数据模态：使用SchNet的三维空间几何、通过SMILES和ChemBERTa的离散拓扑语法，以及来自Deep & Cross网络的显式宏观理化描述符。通过结合这些正交流，该模型克服了图神经网络等传统方法的局限性，如过平滑，并在QM9基准测试中实现了0.0207 eV的原子化能预测平均绝对误差。该高效架构拥有不到一百万个参数，显著降低了误差，…