Description
DimeNet et DimeNet++ représentent une avancée significative dans le domaine des réseaux neuronaux de graphes moléculaires. Le modèle DimeNet original, introduit dans "Directional Message Passing for Molecular Graphs" (ICLR 2020), exploite les informations directionnelles pour améliorer la transmission de messages entre les atomes, conduisant à des représentations plus précises des structures et propriétés moléculaires. Cette approche améliore la capacité du modèle à capturer les interactions complexes au sein des molécules.
Lire la suite
DimeNet++, le modèle successeur présenté dans "Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules" (NeurIPS-W 2020), s'appuie sur les fondations de DimeNet en introduisant des améliorations substantielles en termes de vitesse et de précision. Il est rapporté qu'il est jusqu'à 8 fois plus rapide et 10 % plus précis que le DimeNet original, ce qui en fait un choix plus pratique pour les simulations moléculaires à grande échelle et les applications de découverte de médicaments. L'implémentation fournie dans ce dépôt GitHub sert de référence pour les deux modèles.
Le dépôt comprend les composants essentiels pour exécuter et expérimenter avec ces modèles. Il propose des notebooks pour l'entraînement (`train.ipynb`) et la prédiction (`predict.ipynb`), permettant aux utilisateurs d'appliquer facilement les modèles à leurs ensembles de données. Pour les utilisateurs nécessitant un entraînement basé sur des clusters, un script (`train_seml.py`) intégré à Sacred et SEML est également disponible. De plus, des modèles pré-entraînés pour DimeNet++ et un prototype TensorFlow 2.0 sont fournis dans le dossier `pretrained`, facilitant une expérimentation et un déploiement plus rapides.
Les détails architecturaux clés et les notes d'implémentation sont disponibles dans le dépôt, y compris des stratégies d'initialisation spécifiques pour les couches de sortie et des discussions sur les problèmes ou bugs potentiels. Le projet est implémenté en Python avec TensorFlow comme principal framework de deep learning, soutenu par des bibliothèques telles que NumPy, SciPy, SymPy et TensorFlow Addons. Le projet met également en évidence d'autres implémentations en JAX & Haiku et PyTorch Geometric, indiquant une communauté de recherche dynamique autour de ces modèles. Les modèles sont particulièrement pertinents pour les chercheurs et les développeurs en chimie computationnelle, en science des matériaux et en chemoinformatique cherchant à exploiter le deep learning pour la prédiction et l'analyse des propriétés moléculaires.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWeb
Fonctionnalités principales de DimeNet et DimeNet++
Transmission directionnelle de messages pour les graphes moléculaires
Architecture du modèle DimeNet
Architecture du modèle DimeNet++
Implémentation de référence
Notebook d'entraînement inclus
Notebook de prédiction inclus
Script d'entraînement sur cluster disponible
Modèles pré-entraînés fournis
Prototype TensorFlow 2.0 disponible
Axé sur les prédictions d'énergie et de force (via recommandation GemNet)
Prédictions tenant compte de l'incertitude (DimeNet++)
Premiers pas avec DimeNet et DimeNet++
Accéder au modèle : Cloner le dépôt GitHub.
Configurer l'environnement : Installer les paquets Python requis (TensorFlow, NumPy, SciPy, SymPy, TensorFlow Addons).
Intégrer via API : Utiliser les notebooks ou scripts fournis pour l'entraînement et la prédiction.
Expérimenter avec les modèles : Charger les modèles pré-entraînés pour des itérations plus rapides.
Adapter pour l'entraînement sur cluster : Utiliser le script `train_seml.py` pour l'entraînement distribué.
Générer des prédictions : Utiliser le notebook `predict.ipynb` avec les modèles entraînés.
Cas d'utilisation de DimeNet et DimeNet++
- Prédiction de propriétés moléculaires
- Découverte de médicaments
- Science des matériaux
- Recherche en chemoinformatique
- Chimie computationnelle
