小分子自编码器:架构工程,以优化潜在空间实用性和可持续性
Marie Oestreich1, Iva Ewert1, Matthias Becker2
1Modular High-Performance Computing and Artificial Intelligence, German Center for Neurodegenerative Diseases (DZNE), Bonn, Germany.
Journal of cheminformatics
|March 5, 2024
概括
为小分子优化自编码器架构显著提高了潜伏空间质量,同时减少了97%的数据需求和36%的能源使用. 这项研究为化学的可持续深度学习提供了关键的见解.
科学领域:
- 计算化学是一种计算化学.
- 机器学习 机器学习
- 药物发现 药物发现
背景情况:
- 自动编码器对于深度学习中的分子嵌入至关重要.
- 当前的自动编码器架构通常是任意选择的,这会影响潜在空间的质量和可持续性.
- 缺乏对建筑对化学信息影响的系统评估.
研究的目的:
- 系统地分析自编码器架构如何影响重建和潜在空间质量.
- 为分子编码任务和能源效率优化自编码器架构.
- 为化学中可持续的深度学习模型提供见解.
主要方法:
- 进行了系统的实验,使用不同的自动编码器架构.
- 评估重建性能和潜在空间质量.
- 在训练期间量化能源消耗.
- 比较分子表示,如微笑和自拍.
主要成果:
- 优化的架构使用97%更少的数据和36%更少的能源来保持质量.
- 自拍 (SELFIES) 的表现显示了比微笑 (SMILES) 更低的重建性能.
- 使用列出的SMILES进行训练,提高了潜在空间质量.
结论:
- 自动编码器架构显著影响分子嵌入效用和可持续性.
- 优化架构为分子编码提供了更可持续的方法.
- 这项工作为设计高效和有效的分子自编码器提供了一个框架.


