Исследователи из Национального Тайваньского университета продемонстрировали, что включение оценки неопределённости (Uncertainty Quantification, UQ) в графовые нейронные сети (Graph Neural Networks, GNN) значительно повышает эффективность и устойчивость оптимизации молекул. Их работа опубликована в журнале Nature Communications.
Ключевой задачей исследования стало интегрирование моделей, учитывающих неопределённость, в процессы компьютерного молекулярного дизайна (CAMD), чтобы улучшить принятие решений при поиске новых материалов и лекарственных средств. Учёные систематически проверили, способны ли усовершенствованные с помощью UQ нейронные сети направленного обмена сообщениями (Directed Message Passing Neural Networks, D-MPNNs) эффективно управлять оптимизацией в открытых и обширных химических пространствах.
Типичные алгоритмы машинного обучения плохо справляются с предсказаниями для молекул, которые не встречались в обучающих выборках, что особенно критично для реальных задач, где химическое пространство практически безгранично и мало изучено. Для преодоления этой проблемы исследователи объединили D-MPNN с генетическими алгоритмами, что позволяет проводить гибкую оптимизацию молекул без необходимости ограничиваться заранее заданными библиотеками соединений.
В ходе работы были протестированы различные стратегии оптимизации, учитывающие неопределённость, на 16 разнообразных задачах. Эти задачи взяты с платформ Tartarus и GuacaMol, отражающих актуальные вызовы в области органической электроники, реакционной инженерии и разработки лекарств. Особое внимание уделялось многоцелевым сценариям, где необходимо одновременно балансировать между конкурирующими молекулярными свойствами.
Среди всех протестированных подходов наилучшие результаты показал метод Probabilistic Improvement Optimization (PIO). Этот метод использует количественную оценку неопределённости для оценки вероятности того, что кандидаты отвечают заданным критериям дизайна. PIO позволяет избегать ненадёжных экстраполяций и направлять поиск в области, наиболее перспективные с химической точки зрения.
Профессор И-Пей Ли, ведущий автор работы, отмечает: «Химический дизайн часто требует поиска баланса между множеством конкурирующих целей в огромных и неопределённых пространствах поиска. Интеграция оценки неопределённости в оптимизацию, управляемую машинным обучением, даёт нам фундаментальный способ ориентироваться в этой сложности и повышает надёжность предлагаемых искусственным интеллектом решений».
Результаты исследования формируют прочную основу для внедрения методов молекулярного поиска, способных учитывать неопределённость. Это открывает путь к более надёжным и эффективным системам искусственного интеллекта для задач химии и материаловедения.
В работе использовались современные методы: оценка неопределённости, графовые нейронные сети, D-MPNN, генетические алгоритмы и стратегия PIO. Эксперименты охватили 16 задач с платформ Tartarus и GuacaMol, с акцентом на реальные приложения в электронике, инженерии и фармацевтике.
Изображение носит иллюстративный характер
Ключевой задачей исследования стало интегрирование моделей, учитывающих неопределённость, в процессы компьютерного молекулярного дизайна (CAMD), чтобы улучшить принятие решений при поиске новых материалов и лекарственных средств. Учёные систематически проверили, способны ли усовершенствованные с помощью UQ нейронные сети направленного обмена сообщениями (Directed Message Passing Neural Networks, D-MPNNs) эффективно управлять оптимизацией в открытых и обширных химических пространствах.
Типичные алгоритмы машинного обучения плохо справляются с предсказаниями для молекул, которые не встречались в обучающих выборках, что особенно критично для реальных задач, где химическое пространство практически безгранично и мало изучено. Для преодоления этой проблемы исследователи объединили D-MPNN с генетическими алгоритмами, что позволяет проводить гибкую оптимизацию молекул без необходимости ограничиваться заранее заданными библиотеками соединений.
В ходе работы были протестированы различные стратегии оптимизации, учитывающие неопределённость, на 16 разнообразных задачах. Эти задачи взяты с платформ Tartarus и GuacaMol, отражающих актуальные вызовы в области органической электроники, реакционной инженерии и разработки лекарств. Особое внимание уделялось многоцелевым сценариям, где необходимо одновременно балансировать между конкурирующими молекулярными свойствами.
Среди всех протестированных подходов наилучшие результаты показал метод Probabilistic Improvement Optimization (PIO). Этот метод использует количественную оценку неопределённости для оценки вероятности того, что кандидаты отвечают заданным критериям дизайна. PIO позволяет избегать ненадёжных экстраполяций и направлять поиск в области, наиболее перспективные с химической точки зрения.
Профессор И-Пей Ли, ведущий автор работы, отмечает: «Химический дизайн часто требует поиска баланса между множеством конкурирующих целей в огромных и неопределённых пространствах поиска. Интеграция оценки неопределённости в оптимизацию, управляемую машинным обучением, даёт нам фундаментальный способ ориентироваться в этой сложности и повышает надёжность предлагаемых искусственным интеллектом решений».
Результаты исследования формируют прочную основу для внедрения методов молекулярного поиска, способных учитывать неопределённость. Это открывает путь к более надёжным и эффективным системам искусственного интеллекта для задач химии и материаловедения.
В работе использовались современные методы: оценка неопределённости, графовые нейронные сети, D-MPNN, генетические алгоритмы и стратегия PIO. Эксперименты охватили 16 задач с платформ Tartarus и GuacaMol, с акцентом на реальные приложения в электронике, инженерии и фармацевтике.
