Selfies
PulseAugur coverage of Selfies — every cluster mentioning Selfies across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SIGMA目标改进了分子自回归模型
研究人员开发了SIGMA，一种用于自回归分子模型的新型目标函数，它提高了模型在不考虑序列化格式的情况下为分子分配概率的能力。该方法使用具有化学认证的相同后缀三元组的密集后缀位置目标来对齐隐藏状态并减少不一致的下一个标记决策。SIGMA已在各种数据集和表示中证明了Frechet ChemNet距离的降低，并提高了分子属性基准的平均预测性能。
-
UniPolymer框架利用AI简化聚酰亚胺设计
研究人员开发了UniPolymer，一个旨在简化具有特定玻璃化转变温度（Tg）的聚酰亚胺结构设计过程的新型框架。该统一系统集成了性能预测、目标条件生成和候选评估，旨在减少无效实验和开发时间。UniPolymer利用自监督学习和连续-离散联合Tg表示来指导SELFIES的生成，实现了R^2=0.93的性能预测准确率和73.79%的候选评估通过率。该框架的推荐与分子动力学模拟高度一致，显著减少了昂贵的实验验证需求。
-
SpectralMol算法使用傅里叶系数进行分子生成
研究人员开发了SpectralMol，一种利用演化计算和傅里叶系数生成分子结构的新算法。该方法将化学结构处理为傅里叶系数矩阵，从而实现SELFIES解码过程。采用NSGA-II算法来维持多样性并分别处理多个目标函数。SpectralMol在基准测试中表现出可比的性能，在多参数优化任务中表现出色，并根据频率模式清晰地区分了骨架级和子结构修改。
-
BioMatrix 将序列、结构和语言整合到新的多模态基础模型中
研究人员开发了 BioMatrix，这是一种新颖的多模态基础模型，旨在将序列、结构和自然语言等生物数据类型整合到单一架构中。与以往专注于多模态或广泛实体覆盖的模型不同，BioMatrix 通过将各种生物输入映射到共享的离散标记空间来统一这些方面。BioMatrix 基于 Qwen3 语言模型构建，在一个海量数据集上进行了预训练，并在 80 个多样化的生物任务中的 77 个上展现了最先进的性能。
-
DriftingMol框架增强了属性条件分子生成
研究人员开发了DriftingMol，一种用于生成具有特定属性分子的新颖的两阶段框架。该方法将漂移模型适配到SELFIES潜在分子空间，利用解码器的隐藏表示作为漂移特征图。该方法在ZINC250K等数据集上，以低采样成本实现了改进的属性条件生成，并在QED等属性上显示出强相关性。
-
AI可从高分辨率自拍照中提取指纹，专家警告
安全专家警告称，人工智能可能能够从高分辨率自拍照中提取可用的指纹数据。这可能构成重大的隐私风险，因为如果此类图像是从近距离拍摄的，就可能被恶意行为者利用。这一漏洞凸显了在先进人工智能时代，生物识别安全和个人数据隐私面临的新潜在威胁。
-
AI模型从分子数据中学习化学性质，控制序列捷径
研究人员开发了一种新的方法来评估分子生成模型，特别是基于SELFIES训练的Transformer-VAEs。他们的方法解决了表观性质可预测性可能源于序列捷径而非真实化学组织的问题。通过引入混淆感知评估，他们可以更准确地评估潜在空间在化学上的意义，并展示对多种化学性质的稳健引导。