关于“用深度神经网络增强遗传算法以探索化学空间”的可复现性研究
机器学习
2021-02-11 v3 材料科学
摘要
Nigam 等人报道了一种利用 SELFIES 表示的遗传算法（GA），并提出了一种基于神经网络的适应性惩罚项，其 supposed 能改善生成分子的多样性。该论文的主要主张是：该 GA 优于其他生成技术（以 penalized logP 衡量），且基于神经网络的适应性惩罚项增加了生成分子的多样性。在这项工作中，我们调查了他们主张的可复现性。总体而言，我们能够利用基于 SELFIES 的 GA 复现可比的结果，但主要是通过利用（易于优化的）适应度函数的缺陷（即生成长含硫链）。此外，我们复现了表明判别器可用于将分子生成偏置到与参考集相似的分子的结果。最后，我们试图量化多样性的演化，理解一些超参数的影响，并对适应性惩罚项提出改进。
引用
@article{arxiv.2102.00700,
title = {A reproducibility study of "Augmenting Genetic Algorithms with Deep Neural Networks for Exploring the Chemical Space"},
author = {Kevin Maik Jablonka and Fergus Mcilwaine and Susana Garcia and Berend Smit and Brian Yoo},
journal= {arXiv preprint arXiv:2102.00700},
year = {2021}
}
备注
Fixed typos use rasterized figure