当前位置：
X-MOL 学术
›
ACS Cent. Sci.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
用于引导分子特性预测和发现的证据深度学习
ACS Central Science ( IF 12.7 ) Pub Date : 2021-07-27 , DOI: 10.1021/acscentsci.1c00546 Ava P Soleimany 1, 2, 3 , Alexander Amini 4 , Samuel Goldman 5 , Daniela Rus 4 , Sangeeta N Bhatia 1, 4, 6 , Connor W Coley 7
ACS Central Science ( IF 12.7 ) Pub Date : 2021-07-27 , DOI: 10.1021/acscentsci.1c00546 Ava P Soleimany 1, 2, 3 , Alexander Amini 4 , Samuel Goldman 5 , Daniela Rus 4 , Sangeeta N Bhatia 1, 4, 6 , Connor W Coley 7
Affiliation
|
虽然神经网络在许多分子建模和结构性质预测任务中实现了最先进的性能，但这些模型可能难以泛化到域外示例，样本效率较差，并产生未经校准的预测。在本文中，我们利用证据深度学习的进展，展示了一种基于神经网络的分子结构-性质预测的不确定性量化新方法，无需额外的计算成本。我们开发了证据 2D 消息传递神经网络和证据 3D 原子神经网络，并将这些网络应用于一系列不同的任务。我们证明，证据不确定性能够（1）在不确定性与误差相关的情况下进行校准预测，（2）通过不确定性引导的主动学习进行样本有效训练，以及（3）提高回顾性虚拟筛选活动中的实验验证率。我们的结果表明，证据深度学习可以提供一种有效的不确定性量化方法，可用于化学和物理科学中的分子特性预测、发现和设计任务。
"点击查看英文标题和摘要"
更新日期：2021-08-25
"点击查看英文标题和摘要"
京公网安备 11010802027423号