Key points are not available for this paper at this time.
في السنوات القليلة الماضية، شهدنا التأثير التحويلي للشبكات العميقة في العديد من التطبيقات، وخاصة في التعرف على الصوت والحاسوب. مستلهمين من شبكة جوجل الاستدلالية Inception-ResNet، قمنا بتطوير "كيمسيبشن"، وهي شبكة CNN عميقة لتوقع الخصائص الكيميائية، مستخدمين فقط صور الرسومات ثنائية الأبعاد. قمنا بتطوير كيمسيبشن دون تقديم أي معرفة إضافية صريحة، مثل المفاهيم الأساسية مثل الدورية، أو المتقدمة مثل موصوفات الجزيئات وبصمات الأصابع. ثم نوضح كيف يمكن أن تعمل كنموذج شبكة عصبية عامة لأغراض السمية والنشاط وخصائص الذوبان عند تدريبها على قاعدة بيانات تضم من 600 إلى 40,000 مركب. عند المقارنة مع الشبكات العصبية العميقة متعددة الطبقات (MLP) المدربة باستخدام بصمات ECFP، فإنها تتفوق قليلاً في توقع النشاط وخصائص الذوبان وتقل عن الأداء في توقع السمية. بعد أن تساوت مع أداء نماذج التعلم العميق التي طورتها الخبراء في QSAR/QSPR، يظهر عملنا إمكانية استخدام الشبكات العصبية العميقة للمساعدة في الكيمياء الحسابية، حيث يتم إجراء عملية هندسة الميزات بشكل أساسي بواسطة خوارزمية التعلم.
درس جوه وآخرون (الثلاثاء) هذا السؤال.