유전자 알고리즘에 기계 학습을 결합한 역분자 설계

진화적 및 기계 학습 방법은 원하는 특성을 가진 분자와 소재의 생성을 성공적으로 수행해왔습니다. 이러한 두 가지 패러다임의 결합은 역설계 작업에서 거대한 화학 공간을 보다 효율적으로 탐색할 수 있는 강력한 방법을 제공하여 생성된 화합물의 품질을 개선할 수 있습니다. 그러나 이러한 시너지 접근 방식은 여전히 초기 연구 영역이며 문헌에서 충분히 탐구되지 않은 것으로 보입니다. 이 관점에서는 기계 학습 접근 방식을 진화 학습 프레임워크에 통합하는 다양한 방법을 다루며, 유전자 알고리즘의 최적화 효율성을 높이는 것이 전체 목표입니다. 특히, 빠른 적합도 함수 평가를 위한 기계 학습 대리 모델, 즉각적으로 개체군 다양성을 제어하기 위한 판별 모델, 기계 학습 기반 교차 작업 및 잠재 공간에서의 진화를 논의합니다. 이러한 시너지 접근 방식의 생성 작업에서의 추가 잠재력도 평가하며, 미래 개발을 위한 유망한 방향을 제시합니다.