- Երկրաչափական խորը ուսուցում մոլեկուլային բյուրեղների կառուցվածքի կանխատեսման համար (arXiv)
Հեղինակ՝ Մայքլ Քիլգուր, Ջուտտա Ռոգալ, Մարկ Թաքերման
Վերացական. Մենք մշակում և փորձարկում ենք մեքենայական ուսուցման նոր ռազմավարություններ՝ մոլեկուլային բյուրեղների կառուցվածքի դասակարգման և բյուրեղային հատկությունների կանխատեսման արագացման համար՝ օգտագործելով մոլեկուլային գրաֆիկների վրա երկրաչափական խորը ուսուցման գործիքները: Օգտագործելով գրաֆիկների վրա հիմնված ուսուցման զարգացումները և մեծ մոլեկուլային բյուրեղային տվյալների հավաքածուների առկայությունը՝ մենք պատրաստում ենք մոդելներ խտության կանխատեսման և կայունության դասակարգման համար, որոնք ճշգրիտ են, արագ գնահատվում և կիրառելի են տարբեր չափերի և կազմի մոլեկուլների համար: Խտության կանխատեսման մեր մոդելը՝ MolXtalNet-D-ը, ձեռք է բերում ժամանակակից կատարողականություն՝ 2%-ից ցածր միջին բացարձակ սխալով մեծ և բազմազան թեստային տվյալների բազայում: Բյուրեղների դասակարգման մեր գործիքը՝ MolXtalNet-S-ը, ճիշտ է տարբերակում փորձնական նմուշները սինթետիկորեն ստեղծված կեղծիքներից և հետագայում հաստատվում է Քեմբրիջի կառուցվածքային տվյալների բազայի կույր թեստերի 5-րդ և 6-րդ թեստերի ներկայացումների վերլուծության միջոցով: գոյություն ունեցող բյուրեղային կառուցվածքի կանխատեսման խողովակաշար՝ և՛ որոնման տարածքը նվազեցնելու, և՛ բյուրեղյա թեկնածուների գնահատական/զտման համար
2. Երկրաչափական խորը ուսուցման օգտագործման վերաբերյալ գրաֆիկակենտրոն ինժեներական համակարգերի գնահատման համար (arXiv)
Հեղինակ՝ Էնթոնի Սիրիկո կրտսեր, Դանիել Ռ. Հերբեր
Վերացական. Շատ բարդ ինժեներական համակարգեր կարող են ներկայացվել տոպոլոգիական ձևով, օրինակ՝ գրաֆիկներով: Այս փաստաթուղթը օգտագործում է մեքենայական ուսուցման տեխնիկա, որը կոչվում է Geometric Deep Learning (GDL), որպեսզի օգնի դիզայներներին դժվարին, գրաֆիկակենտրոն նախագծման խնդիրներով: Այստեղ ներկայացված ռազմավարությունն է՝ վերցնել գրաֆիկի տվյալները և կիրառել GDL՝ գտնելու լավագույն իրագործելի արդյունավետ լուծումը արդյունավետ և արդյունավետ՝ ավելի ցածր հաշվողական ծախսերով: Այս դեպքի ուսումնասիրությունը, որն օգտագործվում է այստեղ, անալոգային էլեկտրական սխեմաների սինթեզն է, որոնք փորձում են համապատասխանեցնել որոշակի հաճախականության արձագանքը որոշակի հաճախականության տիրույթում: Նախորդ ուսումնասիրությունները կիրառում էին թվարկման տեխնիկա՝ 43249 եզակի չուղղորդված գրաֆիկներ ստեղծելու համար, որոնք ներկայացնում էին վավեր պոտենցիալ սխեմաներ: Ցավոք, շատ սխեմաների չափը և կատարումը որոշելը կարող է չափազանց թանկ լինել: Ճշգրտության քանակական փոխզիջումով հաշվողական ծախսերը նվազեցնելու համար սխեմաների գծապատկերների մասնաբաժինը և դրանց կատարումը օգտագործվում են որպես դասակարգման վրա կենտրոնացած GDL մոդելի մուտքային տվյալներ: Այնուհետև, GDL մոդելը կարող է օգտագործվել մնացորդը էժան կանխատեսելու համար, այդպիսով օգնելով որոշում կայացնողներին լավագույն գրաֆիկական լուծումների որոնման հարցում: Այս հոդվածում քննարկված արդյունքները ցույց են տալիս, որ գրաֆիկների վրա հիմնված լրացուցիչ հատկանիշներն օգտակար են, ընդհանուր հավաքածուների դասակարգման բարենպաստ ճշգրտությունը 80%՝ օգտագործելով գրաֆիկների միայն 10%, իսկ կրկնվող GDL մոդելները կարող են հետագայում ենթաբաժանել գրաֆիկները թիրախային խմբերի. միջինները զգալիորեն մոտ են լավագույնին և պարունակում են միջինում լավագույն 100 լավագույն գծապատկերներից 88,2-ը:
