基于假设驱动主动学习在化学空间上发现分子结构-性质关系
机器学习
2023-12-12 v2 生物大分子
摘要
为药物靶点、生物分子系统、催化剂、光伏、有机电子与电池寻找分子候选者，需要开发能够快速探索化学空间以 targeting 所需功能的机器学习算法。本文提出一种基于假设学习的化学空间主动学习新方法。我们基于一小部分数据构建关于感兴趣结构与功能间可能关系的假设，并将其作为高斯过程的（概率性）均值函数引入。该方法将 SISSO 等符号回归方法与主动学习要素整合入单一框架。构建此框架的主要目的在于主动学习机制下逼近物理定律以获得更鲁棒的预测性能，因为机器学习中传统的留出集评估未考虑分布外效应，并可能在未见化学空间上彻底失效。此处我们以 QM9 数据集演示之，但其可更广泛地应用于分子与固态材料科学领域的数据集。
引用
@article{arxiv.2301.02665,
title = {Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space},
author = {Ayana Ghosh and Sergei V. Kalinin and Maxim A. Ziatdinov},
journal= {arXiv preprint arXiv:2301.02665},
year = {2023}
}