计算化学中的深度学习
机器学习
2018-08-15 v1 人工智能
计算工程、金融与科学
机器学习
化学物理
摘要
人工神经网络的兴衰在计算机科学和计算化学的科学文献中都有充分记载。然而几乎二十年后，我们现在看到深度学习的复苏，这是一种基于多层神经网络的机器学习算法。在过去的几年里，我们已经看到深度学习在许多领域的变革性影响，特别是在语音识别和计算机视觉中，以至于这些领域的大多数专家从业者现在经常放弃先前建立的模型而青睐深度学习模型。在本综述中，我们提供深度神经网络理论及其区别于传统机器学习算法（用于化学信息学）的独特属性的入门概述。通过概述深度神经网络的各种新兴应用，我们强调其在领域内广泛挑战中的普遍性和广泛适用性，包括 QSAR、虚拟筛选、蛋白质结构预测、量子化学、材料设计和性质预测。在回顾深度神经网络性能时，我们观察到在不同研究主题下对非神经网络最先进模型的一致超越，且基于深度神经网络的模型经常超过各自任务的“玻璃天花板”预期。加之用于训练深度神经网络的 GPU 加速计算的成熟以及可用于训练这些网络化学数据的指数增长，我们预期深度学习算法将成为计算化学的有价值工具。
引用
@article{arxiv.1701.04503,
title = {Deep Learning for Computational Chemistry},
author = {Garrett B. Goh and Nathan O. Hodas and Abhinav Vishnu},
journal= {arXiv preprint arXiv:1701.04503},
year = {2018}
}