智能分布式数据工厂是积极学习驱动分子数据采集的志愿者计算平台

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
• 数据科学用于分子建模.

背景情况:

• 药物发现面临着巨大的化学空间和有限的高质量数据的挑战.
• 加快量子化学计算对于分子性质预测至关重要.
• 现有的方法往往需要大量的计算资源.

研究的目的:

• 介绍智能分布式数据工厂 (SDDF),这是一个人工智能驱动的平台,用于生成全面的分子数据集.
• 利用志愿者计算和机器学习来加速药物发现.
• 创建一个可扩展和具有成本效益的解决方案,用于开发精确的分子模型.

主要方法:

• 使用志愿者计算进行分布密度函数理论 (DFT) 计算.
• 使用一组机器学习 (ML) 模型用于属性预测和主动学习.
• 通过分子动力学利用ML衍生的力量产生新的分子构造.

主要成果:

• 开发了一个志愿者计算平台,用于加速DFT计算.
• 构建了一个大型的,公开的数据集,包含各种不同的ENAMINE分子,并计算了能量.
• 创建了一组ML模型,展示了精确的能源预测能力.
• 验证了SDDF方法,减少了对广泛计算计算的需求.

结论:

• SDDF结合了主动学习,分布式计算和量子化学,以实现高效的分子建模.
• 该平台提供了一个可扩展和具有成本效益的解决方案,以加速药物发现.
• 生成的数据集支持对能源预测模型的培训和基准测试.