生成式化学Transformer：基于注意力从化学语言进行分子几何结构的神经机器学习
机器学习
2022-02-15 v2 化学物理
摘要
发现更适用于特定用途的新材料是改善人类生活质量的重要问题。本文提出一种神经网络，其基于对化学语言的深度理解来创建满足某些期望条件的分子（生成式化学Transformer，GCT）。GCT中的注意力机制通过稀疏地关注字符，超越化学语言本身的局限性（其导致语义不连续），从而实现对分子结构的更深理解。通过定量评估生成分子的质量，研究了语言模型对于逆分子设计问题的重要性。GCT生成高度逼真的化学字符串，同时满足化学和语言语法规则。从生成字符串解析出的分子同时满足多个目标性质，并且对于单一条件集具有多样性。这些进展将通过加速期望材料的发现过程，为改善人类生活质量作出贡献。
引用
@article{arxiv.2103.00213,
title = {Generative Chemical Transformer: Neural Machine Learning of Molecular Geometric Structures from Chemical Language via Attention},
author = {Hyunseung Kim and Jonggeol Na and Won Bo Lee},
journal= {arXiv preprint arXiv:2103.00213},
year = {2022}
}