ChemTS：一个用于从头分子生成的高效Python库
化学物理
2018-06-27 v1 计算工程、金融与科学
摘要
有机材料的自动设计需要在广阔的化学空间中进行黑箱优化。在传统的分子设计算法中，分子被构建为预定片段的组合。最近，变分自编码器和循环神经网络等深度神经网络模型被证明在无需任何预定片段的情况下进行从头分子设计是有效的。本文介绍了一个新颖的Python库ChemTS，它通过结合蒙特卡洛树搜索和循环神经网络来探索化学空间。在优化辛醇-水分配系数和可合成性的基准测试问题中，我们的算法在寻找高分分子方面表现出优越的效率。ChemTS可在https://github.com/tsudalab/ChemTS获取。
引用
@article{arxiv.1710.00616,
title = {ChemTS: An Efficient Python Library for de novo Molecular Generation},
author = {Xiufeng Yang and Jinzhe Zhang and Kazuki Yoshizoe and Kei Terayama and Koji Tsuda},
journal= {arXiv preprint arXiv:1710.00616},
year = {2018}
}