增强记忆:采样高效的生成分子设计与强化学习

科学领域:

• 计算化学是一种计算化学.
• 人工智能在药物发现中的作用
• 材料信息学 材料信息学

背景情况:

• 在*de novo*分子设计中,样本效率是一个关键的挑战,尤其是在使用计算上昂贵的预言时.
• 现有的分子生成模型,特别是那些使用增强学习的简化分子输入线路输入系统 (SMILES) 的模型,显示出有希望的结果,但可以进一步优化.
• 高精度预言通常需要大量的计算资源,在可行的预算内限制了实际的分子优化.

研究的目的:

• 提高分子生成模型的样本效率.
• 开发一种新的算法,尽量减少对昂贵的计算属性预测器 (预言器) 的调用.
• 建立一个新的最先进的 *de novo* 分子设计.

主要方法:

• 实施经验重复,以改进现有算法.
• 提出了一个新的算法,增强记忆,将数据增强与体验重复结合起来.
• 在多个模型更新中证明了Oracle分数的可重复使用性.

主要成果:

• 经验重复显著提高了几个先前算法的性能.
• 增强型内存在各种任务中显著提高了样本效率.
• 在样本效率高的*de novo*分子设计中实现了最先进的性能.

结论:

• 增强记忆在样本效率高的分子设计方面取得了重大进展.
• 该算法对于利用任务,药物发现和材料设计是有效的.
• 这种方法可以在实际计算约束下以昂贵的Oracle进行优化.