DimeNet و DimeNet++

الوصف

يمثل DimeNet و DimeNet++ تقدمًا كبيرًا في مجال الشبكات العصبية الجزيئية. نموذج DimeNet الأصلي، الذي تم تقديمه في "Directional Message Passing for Molecular Graphs" (ICLR 2020)، يستفيد من المعلومات الاتجاهية لتحسين تمرير الرسائل بين الذرات، مما يؤدي إلى تمثيلات أكثر دقة لهياكل وخصائص الجزيئات. يعزز هذا النهج قدرة النموذج على التقاط التفاعلات المعقدة داخل الجزيئات.

DimeNet++، النموذج الخلف الذي تم تقديمه في "Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules" (NeurIPS-W 2020)، يبني على أساس DimeNet من خلال تقديم تحسينات كبيرة في السرعة والدقة. يُقال إنه أسرع بما يصل إلى 8 مرات وأكثر دقة بنسبة 10٪ من DimeNet الأصلي، مما يجعله خيارًا عمليًا أكثر لمحاكاة الجزيئات على نطاق واسع وتطبيقات اكتشاف الأدوية. يعمل التنفيذ المقدم في مستودع GitHub هذا كمرجع لكلا النموذجين.

يتضمن المستودع المكونات الأساسية لتشغيل هذه النماذج وتجربتها. يتميز بدفاتر ملاحظات للتدريب (`train.ipynb`) والتنبؤ (`predict.ipynb`)، مما يسمح للمستخدمين بتطبيق النماذج بسهولة على مجموعات بياناتهم. للمستخدمين الذين يحتاجون إلى تدريب قائم على المجموعات، يتوفر أيضًا برنامج نصي (`train_seml.py`) مدمج مع Sacred و SEML. علاوة على ذلك، يتم توفير نماذج مدربة مسبقًا لكل من DimeNet++ ونموذج أولي لـ TensorFlow 2.0 في مجلد `pretrained`، مما يسهل التجريب والنشر بشكل أسرع.

التفاصيل المعمارية الرئيسية وملاحظات التنفيذ متاحة داخل المستودع، بما في ذلك استراتيجيات التهيئة المحددة لطبقات الإخراج ومناقشات حول المشكلات أو الأخطاء المحتملة. تم تنفيذ المشروع باستخدام Python مع TensorFlow كإطار عمل رئيسي للتعلم العميق، مدعومًا بمكتبات مثل NumPy و SciPy و SymPy و TensorFlow Addons. يسلط المشروع الضوء أيضًا على تطبيقات أخرى في JAX & Haiku و PyTorch Geometric، مما يشير إلى مجتمع بحثي نابض بالحياة حول هذه النماذج. النماذج ذات صلة بشكل خاص بالباحثين والمطورين في الكيمياء الحاسوبية وعلوم المواد والمعلوماتية الكيميائية الذين يسعون إلى الاستفادة من التعلم العميق لتنبؤ خصائص الجزيئات وتحليلها.

أبرز ملامح DimeNet و DimeNet++

• تمرير الرسائل الاتجاهي للرسوم البيانية الجزيئية

• بنية نموذج DimeNet

• بنية نموذج DimeNet++

• تنفيذ مرجعي

• دفتر ملاحظات تدريب متضمن

• دفتر ملاحظات تنبؤ متضمن

• برنامج نصي لتدريب المجموعات متاح

• نماذج مدربة مسبقًا متوفرة

• نموذج أولي لـ TensorFlow 2.0 متاح

• التركيز على تنبؤات الطاقة والقوة (عبر توصية GemNet)

• تنبؤات واعية بالشك (DimeNet++)

البدء مع DimeNet و DimeNet++

1. 1

   الوصول إلى النموذج: استنساخ مستودع GitHub.

2. 2

   إعداد البيئة: تثبيت حزم Python المطلوبة (TensorFlow، NumPy، SciPy، SymPy، TensorFlow Addons).

3. 3

   التكامل عبر API: استخدم دفاتر الملاحظات أو البرامج النصية المقدمة للتدريب والتنبؤ.

4. 4

   تجربة النماذج: تحميل النماذج المدربة مسبقًا لتكرار أسرع.

5. 5

   التكيف مع تدريب المجموعات: استخدم البرنامج النصي `train_seml.py` للتدريب الموزع.

6. 6

   إنشاء تنبؤات: استخدم دفتر ملاحظات `predict.ipynb` مع النماذج المدربة.

حالات استخدام DimeNet و DimeNet++

• تنبؤ خصائص الجزيئات
• اكتشاف الأدوية
• علوم المواد
• أبحاث المعلوماتية الكيميائية
• الكيمياء الحاسوبية

الأسئلة الشائعة من DimeNet و DimeNet++

• ما هي نماذج DimeNet و DimeNet++؟

  DimeNet و DimeNet++ هما نموذجان متقدمان للشبكات العصبية مصممان لتحليل الرسوم البيانية الجزيئية. يستخدمان تمرير الرسائل الاتجاهي لالتقاط التفاعلات الذرية المعقدة، مما يتيح تنبؤات دقيقة لخصائص الجزيئات.

• ما الفرق بين DimeNet و DimeNet++؟

  DimeNet++ هو خليفة لـ DimeNet، ويقدم تحسينات كبيرة في السرعة والدقة. يُقال إنه أسرع بما يصل إلى 8 مرات وأكثر دقة بنسبة 10٪ من نموذج DimeNet الأصلي.

• ما نوع التنبؤات التي يمكن لنماذج DimeNet إجراؤها؟

  تم تصميم نماذج DimeNet لتنبؤ خصائص الجزيئات. يذكر المستودع أيضًا توصية لـ GemNet لتنبؤات الطاقة والقوة.

• هل الكود الخاص بـ DimeNet و DimeNet++ متاح للجمهور؟

  نعم، التنفيذ المرجعي لنماذج DimeNet و DimeNet++ متاح على GitHub تحت المستودع `gasteigerjo/dimenet`.

• ما هي الأوراق البحثية الرئيسية لنماذج DimeNet و DimeNet++؟

  تم اقتراح DimeNet في "Directional Message Passing for Molecular Graphs" (ICLR 2020)، وتم تقديم DimeNet++ في "Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules" (NeurIPS-W 2020).

• هل يوفر المستودع نماذج مدربة مسبقًا؟

  نعم، يتضمن المستودع مجموعتين من النماذج المدربة مسبقًا في مجلد `pretrained` لتسريع التجريب.

• ما هو إطار عمل التعلم العميق المستخدم لهذا التنفيذ؟

  يستخدم هذا التنفيذ بشكل أساسي TensorFlow (الإصدار 2.1 أو أحدث) كإطار عمل للتعلم العميق.

• هل هناك أي مشاكل معروفة مع الكود؟

  نعم، يعترف المستودع بوجود عدد قليل من المشكلات والأخطاء المعروفة في الكود والورقة البحثية التي قد تتطلب إعادة تدريب النماذج لإصلاحها.

• هل يمكن استخدام نماذج DimeNet لتنبؤات الطاقة والقوة؟

  بينما نماذج DimeNet مخصصة لتنبؤ خصائص الجزيئات بشكل عام، يوصي المؤلفون بنموذجهم الأحدث، GemNet، خصيصًا لتنبؤات الطاقة والقوة.

• ما هي المتطلبات لتشغيل الكود؟

  يتطلب الكود Python مع حزم مثل NumPy و SciPy (>=1.3) و SymPy (>=1.5) و TensorFlow (>=2.1) و TensorFlow Addons و tqdm.