利用模仿学习与强化学习生成稳定分子
化学物理
2021-07-13 v1 机器学习
摘要
在尝试耗时的实验合成之前，化学空间通常由机器学习方法探索以发现有趣分子。然而，这些方法常依赖图表示，忽略了决定分子稳定性所需的3D信息。我们提出一种强化学习方法，用于在笛卡尔坐标中生成分子，从而允许对稳定性进行量子化学预测。为提高样本效率，我们从GDB-11数据库上的模仿学习中学得基本化学规则，以创建一个适用于所有化学计量比的初始模型。随后，我们在强化学习设定下部署该模型的条件副本，以特定化学计量比为条件。这些模型正确识别了数据库中的低能量分子，并产生了训练集中未出现的新异构体。最后，我们将模型应用于更大的分子，以展示强化学习如何进一步在远离训练数据的域中精炼模仿学习模型。
引用
@article{arxiv.2107.05007,
title = {Generating stable molecules using imitation and reinforcement learning},
author = {Søren Ager Meldgaard and Jonas Köhler and Henrik Lund Mortensen and Mads-Peter V. Christiansen and Frank Noé and Bjørk Hammer},
journal= {arXiv preprint arXiv:2107.05007},
year = {2021}
}