描述
Graphormer 是一个先进的深度学习包，旨在赋能研究人员和开发人员训练专门用于分子建模任务的定制模型。其主要目标是显著加速分子科学领域人工智能的研究和应用，涵盖材料发现和药物发现等关键领域。
阅读更多
目前，Graphormer 为多种分子模拟任务提供了强大的支持，包括分子动力学和性质预测。开发路线图显示，未来将扩展到包括反应预测、逆合成、分子生成以及聚合物和蛋白质等大规模分子建模等关键应用。此外，它还将增强药物-蛋白质相互作用 (DPI) 预测和其他重要领域的能力。
Graphormer 的基础在 NeurIPS 2021 的论文《Transformers 在图表示学习方面真的表现不佳吗？》中有详细介绍。该研究将 Graphormer 介绍为第一个基于标准 Transformer 架构的深度学习模型，该模型在图级别预测任务上的表现明显优于传统的图神经网络。这种创新的方法取得了显著成就。
Graphormer 在 KDD Cup – OGB-LSC 量子化学赛道中荣获第一名，该竞赛专注于使用人工智能预测超过 380 万个分子的量子性质。该赛事吸引了包括主要行业参与者在内的 500 多个团队参赛。最近，Graphormer 在 Open Catalyst Challenge 中获胜，该挑战赛侧重于人工智能驱动的催化剂-吸附物反应系统建模。该挑战涉及模拟超过 66 万个系统，凸显了 Graphormer 在推动人工智能在材料发现及相关领域的进步方面的潜力。
通过 Azure Quantum Elements 可以访问 Graphormer 的高级预训练版本，为研究人员提供了一条利用其功能的便捷途径。该项目还得到了全面的文档和 GitHub 存储库的支持，以促进社区参与和开发。
- 类别科学发现与实验室工具
- 定价模式开源
- 部署云端
- 平台网页版
Graphormer亮点
用于分子建模的深度学习包
加速材料和药物发现领域的人工智能研究
支持分子动力学模拟
实现分子的性质预测
基于 Transformer 的图表示学习架构
性能优于传统的图神经网络
赢得 KDD Cup – OGB-LSC 量子化学赛道
赢得 Open Catalyst Challenge
未来支持反应预测
未来支持逆合成
未来支持分子生成
未来支持大规模分子建模（聚合物、蛋白质）
未来支持药物-蛋白质相互作用 (DPI) 预测
Graphormer入门
访问模型：通过 Azure Quantum Elements 或其开源存储库获取 Graphormer 的访问权限。
设置环境：使用必要的深度学习框架和库配置您的开发环境。
通过 API 集成：利用提供的 API 将 Graphormer 集成到您的分子建模工作流程中。
训练定制模型：为特定的分子模拟任务开发和训练定制模型。
优化性能：微调模型参数和配置以提高准确性和效率。
应用于研究：部署训练好的模型以进行材料发现、药物发现和其他科学应用。
Graphormer的使用案例
- 材料发现
- 药物发现
- 分子动力学
- 性质预测
- 量子化学
- 催化剂建模
