多臂强盗算法用于对分子性质的连续实验,具有动态特征选择的算法

科学领域:

• 计算化学的计算化学
• 机器学习 机器学习
• 药物发现 药物发现 药物发现

背景情况:

• 序列优化旨在找到具有所需属性的最佳候选者,同时尽量减少实验.
• 特性空间 (例如,分子描述符) 的高维度使得在候选选中使用特征变得复杂.
• 像贝叶斯优化 (BO) 这样的现有方法经常使用固定的特征集,限制了适应性.

研究的目的:

• 为分子问题开发一种新的顺序优化算法.
• 为了应对优化中的高维度和动态特征相关性的挑战.
• 提高识别最佳分子候选者的效率和可靠性.

主要方法:

• 开发了一个新的算法,集成强化学习,多臂线性强盗和在线动态特征选择.
• 实施了一个停止条件,以确保所选候选人的可靠性.
• 将算法与贝叶斯优化 (BO) 进行比较,使用合成和现实世界的分子数据集 (水合自由能量,反体产物自由能量差异).

主要成果:

• 开发的算法表现出卓越的性能,特别是在减少找到最佳候选人的时间和停止实验方面.
• 动态特征选择,通过实验调整分子描述符,显著提高了优化效率.
• 具有动态特征选择的多臂线性强盗方法优于具有固定特征的标准BO.

结论:

• 动态特征选择对于高维分子空间中高效的序列优化至关重要.
• 与传统方法相比,拟议的算法提供了一种更有效和可靠的方法来识别最佳分子候选者.
• 这项工作推动了机器学习在计算化学和药物发现方面的应用.