Key points are not available for this paper at this time.
يعد التنبؤ بخصائص الكيمياء الكمومية (QC) أمرًا بالغ الأهمية لتصميم المواد والحبائب الدوائية الحاسوبية، ولكنه يعتمد على حسابات مكلفة لبنية الإلكترون مثل نظرية الوظيفة الكثافة (DFT). تسارع الأساليب الحديثة في التعلم العميق هذه العملية باستخدام تعبيرات SMILES أحادية البعد أو الرسوم البيانية ثنائية الأبعاد كمدخلات ولكنها تواجه صعوبة في تحقيق دقة عالية حيث تعتمد معظم خصائص QC على التكوينات الجزيئية المتوازنة ثلاثية الأبعاد المنقحة. نقدم Uni-Mol+، وهو نهج للتعلم العميق يستفيد من التكوينات ثلاثية الأبعاد للتنبؤ الدقيق بخصائص QC. حيث يقوم Uni-Mol+ أولاً بإنشاء تكوين ثلاثي الأبعاد خام باستخدام RDKit ثم يقوم بتحسينه بشكل متكرر نحو التكوين المتوازن DFT باستخدام الشبكات العصبية، والتي تُستخدم أخيرًا للتنبؤ بخصائص QC. للتعلم الفعال لعملية تحديث هذا التكوين، نقدم نموذج Transformer ذو مسارين ونهج تدريبي جديد. تُظهر نتائج القياس لدينا أن Uni-Mol+ المقترح يحسن بشكل كبير من دقة التنبؤ بخصائص QC في مجموعات بيانات متنوعة.
درس لو وآخرون (مون،) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: