الوصف
Graphormer هي حزمة تعلم عميق متطورة مصممة لتمكين الباحثين والمطورين من تدريب نماذج مخصصة خصيصًا لمهام نمذجة الجزيئات. هدفها الأساسي هو تسريع التقدم والتطبيقات بشكل كبير في مجال الذكاء الاصطناعي لعلوم الجزيئات، بما في ذلك المجالات الحيوية مثل اكتشاف المواد واكتشاف الأدوية.
قراءة المزيد
حاليًا، يوفر Graphormer دعمًا قويًا لمجموعة متنوعة من مهام محاكاة الجزيئات، بما في ذلك ديناميكيات الجزيئات والتنبؤ بالخصائص. يشير مخطط التطوير إلى توسعات مستقبلية لتشمل تطبيقات حاسمة مثل التنبؤ بالتفاعلات، والتخليق الرجعي، وتوليد الجزيئات، ونمذجة الجزيئات واسعة النطاق مثل البوليمرات والبروتينات. علاوة على ذلك، من المقرر أن يعزز القدرات في التنبؤ بتفاعلات الدواء والبروتين (DPI) والمجالات الحيوية الأخرى.
تم تفصيل أساس Graphormer في ورقة NeurIPS 2021 بعنوان "هل تؤدي المحولات أداءً سيئًا حقًا في تعلم تمثيل الرسم البياني؟" قدم البحث Graphormer كأول نموذج تعلم عميق مبني على بنية Transformer قياسية يتفوق بشكل واضح على الشبكات العصبية الرسومية التقليدية في مهام التنبؤ على مستوى الرسم البياني. أدت هذه المقاربة المبتكرة إلى إنجازات كبيرة.
حقق Graphormer المركز الأول في مسابقة KDD Cup – OGB-LSC لمسار الكيمياء الكمومية، وهي مسابقة تركز على استخدام الذكاء الاصطناعي للتنبؤ بالخصائص الكمومية لأكثر من 3.8 مليون جزيء. شهد هذا الحدث مشاركة أكثر من 500 فريق، بما في ذلك لاعبون رئيسيون في الصناعة. مؤخرًا، فاز Graphormer بمسابقة Open Catalyst Challenge، وهي مسابقة تركز على نمذجة أنظمة تفاعل المحفزات والممتزات المدفوعة بالذكاء الاصطناعي. تضمنت هذه المسابقة محاكاة أكثر من 0.66 مليون نظام، مما يؤكد إمكانات Graphormer في دفع التقدم في مجال الذكاء الاصطناعي لاكتشاف المواد والمجالات ذات الصلة.
تتوفر إصدارات متقدمة مدربة مسبقًا من Graphormer من خلال Azure Quantum Elements، مما يوفر مسارًا مبسطًا للباحثين للاستفادة من قدراته. يدعم المشروع أيضًا وثائق شاملة ومستودع GitHub للمشاركة المجتمعية والتطوير.
- الفئةالاكتشاف العلمي وأدوات المختبر
- نموذج التسعيرمفتوح المصدر
- النشرسحابي
- المنصاتالويب
أبرز ملامح Graphormer
حزمة تعلم عميق لنمذجة الجزيئات
تسرّع الذكاء الاصطناعي لاكتشاف المواد والأدوية
تدعم محاكاة ديناميكيات الجزيئات
تمكّن التنبؤ بخصائص الجزيئات
بنية قائمة على Transformer لتعلم تمثيل الرسم البياني
تتفوق على الشبكات العصبية الرسومية التقليدية
فازت بمسابقة KDD Cup – OGB-LSC لمسار الكيمياء الكمومية
فازت بمسابقة Open Catalyst Challenge
دعم مستقبلي للتنبؤ بالتفاعلات
دعم مستقبلي للتخليق الرجعي
دعم مستقبلي لتوليد الجزيئات
دعم مستقبلي لنمذجة الجزيئات واسعة النطاق (البوليمرات، البروتينات)
دعم مستقبلي للتنبؤ بتفاعلات الدواء والبروتين (DPI)
البدء مع Graphormer
الوصول إلى النموذج: احصل على وصول إلى Graphormer عبر Azure Quantum Elements أو مستودعه مفتوح المصدر.
إعداد البيئة: قم بتكوين بيئة التطوير الخاصة بك بأطر ومكتبات التعلم العميق اللازمة.
التكامل عبر API: استخدم واجهات برمجة التطبيقات (APIs) المقدمة لدمج Graphormer في سير عمل نمذجة الجزيئات الخاصة بك.
تدريب نماذج مخصصة: قم بتطوير وتدريب نماذج مخصصة لمهام محاكاة الجزيئات المحددة.
تحسين الأداء: قم بضبط معلمات وتكوينات النموذج لتحسين الدقة والكفاءة.
التطبيق في البحث: قم بنشر النماذج المدربة لاكتشاف المواد، واكتشاف الأدوية، والتطبيقات العلمية الأخرى.
حالات استخدام Graphormer
- اكتشاف المواد
- اكتشاف الأدوية
- ديناميكيات الجزيئات
- التنبؤ بالخصائص
- الكيمياء الكمومية
- نمذجة المحفزات
