Deskripsi
DimeNet dan DimeNet++ mewakili kemajuan signifikan dalam bidang jaringan saraf graf molekuler. Model DimeNet asli, yang diperkenalkan dalam "Directional Message Passing for Molecular Graphs" (ICLR 2020), memanfaatkan informasi terarah untuk meningkatkan pengiriman pesan antar atom, yang mengarah pada representasi struktur dan properti molekuler yang lebih akurat. Pendekatan ini meningkatkan kemampuan model untuk menangkap interaksi kompleks di dalam molekul.
Baca Selengkapnya
DimeNet++, model penerus yang disajikan dalam "Fast and Uncertainty-Aware Directional Message Passing for Non-Equilibrium Molecules" (NeurIPS-W 2020), dibangun di atas fondasi DimeNet dengan memperkenalkan peningkatan substansial dalam kecepatan dan akurasi. Dilaporkan hingga 8 kali lebih cepat dan 10% lebih akurat daripada DimeNet asli, menjadikannya pilihan yang lebih praktis untuk simulasi molekuler skala besar dan aplikasi penemuan obat. Implementasi yang disediakan dalam repositori GitHub ini berfungsi sebagai referensi untuk kedua model.
Repositori ini mencakup komponen penting untuk menjalankan dan bereksperimen dengan model-model ini. Ini menampilkan notebook untuk pelatihan (`train.ipynb`) dan prediksi (`predict.ipynb`), memungkinkan pengguna untuk dengan mudah menerapkan model ke dataset mereka. Untuk pengguna yang membutuhkan pelatihan berbasis klaster, skrip (`train_seml.py`) yang terintegrasi dengan Sacred dan SEML juga tersedia. Selain itu, model yang telah dilatih sebelumnya untuk DimeNet++ dan prototipe TensorFlow 2.0 disediakan di folder `pretrained`, memfasilitasi eksperimen dan penerapan yang lebih cepat.
Detail arsitektur utama dan catatan implementasi tersedia di dalam repositori, termasuk strategi inisialisasi spesifik untuk lapisan keluaran dan diskusi tentang potensi masalah atau bug. Proyek ini diimplementasikan menggunakan Python dengan TensorFlow sebagai kerangka kerja deep learning utama, didukung oleh pustaka seperti NumPy, SciPy, SymPy, dan TensorFlow Addons. Proyek ini juga menyoroti implementasi lain dalam JAX & Haiku dan PyTorch Geometric, yang menunjukkan komunitas riset yang aktif di sekitar model-model ini. Model-model ini sangat relevan bagi peneliti dan pengembang di bidang kimia komputasi, ilmu material, dan kimia informasi yang ingin memanfaatkan deep learning untuk prediksi dan analisis properti molekuler.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanCloud, Di-host sendiri
- PlatformWeb
Fitur Inti DimeNet dan DimeNet++
Pengiriman Pesan Terarah untuk Graf Molekuler
Arsitektur model DimeNet
Arsitektur model DimeNet++
Implementasi referensi
Notebook pelatihan disertakan
Notebook prediksi disertakan
Skrip pelatihan klaster tersedia
Model yang telah dilatih sebelumnya disediakan
Prototipe TensorFlow 2.0 tersedia
Fokus pada prediksi energi dan gaya (melalui rekomendasi GemNet)
Prediksi sadar ketidakpastian (DimeNet++)
Memulai dengan DimeNet dan DimeNet++
Akses model: Kloning repositori GitHub.
Siapkan lingkungan: Instal paket Python yang diperlukan (TensorFlow, NumPy, SciPy, SymPy, TensorFlow Addons).
Integrasikan melalui API: Gunakan notebook atau skrip yang disediakan untuk pelatihan dan prediksi.
Bereksperimen dengan model: Muat model yang telah dilatih sebelumnya untuk iterasi yang lebih cepat.
Adaptasi untuk pelatihan klaster: Gunakan skrip `train_seml.py` untuk pelatihan terdistribusi.
Hasilkan prediksi: Gunakan notebook `predict.ipynb` dengan model yang telah dilatih.
Kasus Penggunaan DimeNet dan DimeNet++
- Prediksi Properti Molekuler
- Penemuan Obat
- Ilmu Material
- Penelitian Kimia Informasi
- Kimia Komputasi
