TorsionNet：一种用于序列构象搜索的强化学习方法
机器学习
2020-06-15 v1 机器学习
摘要
柔性分子的分子几何预测，或称构象搜索，是计算化学中一个长期存在的挑战。该任务对于预测从生物分子到普遍材料的各类物质的结构-活性关系至关重要。大量计算资源被投入于蒙特卡洛和分子动力学方法，以生成中大型分子的多样且具有代表性的构象集，而这类分子对化学信息学构象搜索方法而言仍难以处理。我们提出 TorsionNet，一种基于刚性转子近似下强化学习的高效序列构象搜索技术。该模型通过课程学习进行训练，其理论益处被详细探讨，以最大化一种基于热力学、称为 Gibbs 分数的新指标。我们的实验结果表明，在大型支链烷烃上 TorsionNet 比得分最高的化学信息学方法高出 4 倍，在先前未探索的生物聚合物木质素上高出数个数量级，其在可再生能源方面具有应用价值。
引用
@article{arxiv.2006.07078,
title = {TorsionNet: A Reinforcement Learning Approach to Sequential Conformer Search},
author = {Tarun Gogineni and Ziping Xu and Exequiel Punzalan and Runxuan Jiang and Joshua Kammeraad and Ambuj Tewari and Paul Zimmerman},
journal= {arXiv preprint arXiv:2006.07078},
year = {2020}
}