Описание
Graphormer — это сложный пакет глубокого обучения, разработанный для того, чтобы дать исследователям и разработчикам возможность обучать пользовательские модели специально для задач моделирования молекул. Его основная цель — значительно ускорить прогресс и применение в области ИИ для молекулярной науки, охватывая такие критически важные области, как открытие материалов и разработка лекарств.
Читать далее
В настоящее время Graphormer предлагает надежную поддержку для различных задач моделирования молекул, включая молекулярную динамику и прогнозирование свойств. Дорожная карта разработки указывает на будущие расширения, которые будут включать такие важные приложения, как прогнозирование реакций, ретросинтез, генерация молекул и моделирование крупномасштабных молекул, таких как полимеры и белки. Кроме того, он призван улучшить возможности прогнозирования взаимодействия лекарств с белками (DPI) и других важных областей.
Основа Graphormer подробно описана в статье NeurIPS 2021 «Действительно ли трансформеры плохо работают для обучения представлений графов?» Исследование представило Graphormer как первую модель глубокого обучения, построенную на стандартной архитектуре трансформера, которая демонстрирует превосходство над традиционными графовыми нейронными сетями в задачах прогнозирования на уровне графа. Этот инновационный подход привел к значительным достижениям.
Graphormer занял первое место в треке квантовой химии KDD Cup – OGB-LSC, соревновании, посвященном использованию ИИ для прогнозирования квантовых свойств более чем 3,8 миллиона молекул. В этом мероприятии приняли участие более 500 команд, включая крупных игроков отрасли. Совсем недавно Graphormer одержал победу в Open Catalyst Challenge, соревновании, посвященном моделированию систем реакций катализатор-адсорбат с помощью ИИ. Этот конкурс включал моделирование более 0,66 миллиона систем, подчеркивая потенциал Graphormer для продвижения прогресса в области ИИ для открытия материалов и смежных областей.
Расширенные, предварительно обученные версии Graphormer доступны через Azure Quantum Elements, предоставляя исследователям упрощенный путь для использования его возможностей. Проект также поддерживается исчерпывающей документацией и репозиторием GitHub для взаимодействия с сообществом и разработки.
- КатегорияНаучные открытия и лабораторные инструменты
- Модель ценообразованияОткрытый код
- РазвёртываниеОблако
- ПлатформыВеб
Главное о Graphormer
Пакет глубокого обучения для моделирования молекул
Ускоряет ИИ для открытия материалов и лекарств
Поддерживает симуляции молекулярной динамики
Обеспечивает прогнозирование свойств молекул
Архитектура на основе трансформера для обучения представлений графов
Превосходит традиционные графовые нейронные сети
Победитель трека квантовой химии KDD Cup – OGB-LSC
Победитель Open Catalyst Challenge
Будущая поддержка прогнозирования реакций
Будущая поддержка ретросинтеза
Будущая поддержка генерации молекул
Будущая поддержка крупномасштабного моделирования молекул (полимеры, белки)
Будущая поддержка прогнозирования взаимодействия лекарств с белками (DPI)
Начало работы с Graphormer
Доступ к модели: Получите доступ к Graphormer через Azure Quantum Elements или его репозиторий с открытым исходным кодом.
Настройка среды: Настройте свою среду разработки с необходимыми фреймворками и библиотеками глубокого обучения.
Интеграция через API: Используйте предоставленные API для интеграции Graphormer в ваши рабочие процессы моделирования молекул.
Обучение пользовательских моделей: Разрабатывайте и обучайте специализированные модели для конкретных задач моделирования молекул.
Оптимизация производительности: Тонко настраивайте параметры и конфигурации модели для повышения точности и эффективности.
Применение в исследованиях: Развертывайте обученные модели для открытия материалов, разработки лекарств и других научных приложений.
Варианты использования Graphormer
- Открытие материалов
- Разработка лекарств
- Молекулярная динамика
- Прогнозирование свойств
- Квантовая химия
- Моделирование катализаторов
