检索结果-南通市图书馆

检索条件"主题词=分子图生成"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度学习的分子识别和图像生成技术研究

基于深度学习的分子识别和图像生成技术研究

引用

作者：苏琦鸿南京邮电大学

学位级别：硕士

随着化学研究的不断发展,许多新的化学物质和化合物被发现和合成,这些发现为各种工业和科研领域带来了巨大的发展潜力。然而,科学家们每天都在产生大量的新化学物质,这些化学物质的结构知识对于理解其性质和功能至关重要。在传统的化学... 详细信息

随着化学研究的不断发展,许多新的化学物质和化合物被发现和合成,这些发现为各种工业和科研领域带来了巨大的发展潜力。然而,科学家们每天都在产生大量的新化学物质,这些化学物质的结构知识对于理解其性质和功能至关重要。在传统的化学研究中,分子结构信息通常以图像形式储存在文献和专利中,这使得从这些资源中提取、整理和利用这些信息变得非常困难。手动识别和生成分子图像的方法非常耗时且容易出错。化学领域的专业人士需要花费大量时间和精力来识别分子结构,并将其转换为机器可读的形式。此外,由于分子结构可能非常复杂,包括多种原子、化学键和立体构型,人工识别方法在准确性方面可能受到限制。在这个背景下,有必要寻找一种更有效的方法来识别和生成分子图像。深度学习作为一种强大的机器学习技术,在图像识别、分类和生成等领域表现出了优越的性能。本文将深度学习应用于分子图像识别和生成领域,有助于推动化学研究及相关领域的进一步发展。在分子图像识别领域,本文构建了一种融合Efficient Net V2与混合注意力机制的LSTM模型(Eff Net V2+Atten＿LSTM)。这个模型将Efficient Net V2应用于图像特征的抽取,同时结合混合注意力机制的LSTM部分生成文本,以达到准确且高效的分子图像识别。实验数据证实,该模型在验证集上取得了93.1%的准确率,远高于其他方法,从而证实了它在分子图像识别领域的优势。在分子图像生成环节,本文提出了一种整合双向LSTM、自回归图神经网络和基于流的生成模型的策略。通过融合双向LSTM、自回归图神经网络以及流模型,使用双向LSTM捕捉分子间的相互关系,引入自回归图神经网络学习分子的拓扑结构特征,采用基于流的生成模型使得生成过程更加高效,实现了对分子图像的高效准确生成。实验结果表明,该策略在生成分子的有效性、唯一性和新颖性方面表现出色,与其他生成模型相比取得了显著进步,同时生成分子与原分子属性以及目标属性都较为接近,展示了其在分子图像生成领域的巨大潜力。本文还详细阐述了一个分子翻译系统的开发和实现过程,涵盖了需求分析、系统设计和功能展示等方面。这个系统以本文提出的分子图像识别与生成方法为基础,实现了对分子图像的高效识别和生成。这将有助于推动化学领域的研究和应用,提升分子识别和转换的效率。本文为分子图像识别和生成领域带来了新的观念和技术,有利于进一步提高分子识别和生成质量,为化学研究及相关产业的发展提供支持。

关键词：分子识别分子图生成长短时记忆网络高效神经网络流模型

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于流模型的分子生成方法研究

基于流模型的分子生成方法研究

引用

作者：刘晨阳黑龙江大学

学位级别：硕士

近年来,随着人工智能领域的发展和技术的不断成熟,深度学习被广泛应用到各个领域,计算机科学与许多其他学科领域之间产生了越来越多的交叉应用,深度学习算法也在各方面扮演着重要的作用,而其中以人工智能方法来设计生成全新的分子是近... 详细信息

近年来,随着人工智能领域的发展和技术的不断成熟,深度学习被广泛应用到各个领域,计算机科学与许多其他学科领域之间产生了越来越多的交叉应用,深度学习算法也在各方面扮演着重要的作用,而其中以人工智能方法来设计生成全新的分子是近几年的一种新兴研究方向,其为计算机科学与化学学科产生的交叉研究领域的典型代表。分子的化学空间非常庞大,而当前已发现的分子结构仅仅是整个化学空间中很小的一部分,为了缩短研发周期,降低研发成本,近些年来许多研究人员尝试利用深度学习方法来发现更多潜在的可用的的全新分子,并提出了大量的分子生成模型。分子在计算机当中的表示大致分为两种,一种是简化分子线性输入规范（Simplified molecular input line entry system）,也称作SMILES字符串;另一种是图数据结构形式。对于一维的SMILES字符串形式数据,分子的空间结构信息势必会有所损失,所以我们聚焦于分子的图数据结构。在近几年的以分子图数据结构的建模工作中,以流模型的效果和潜力最佳,但仍旧存在尚需改进之处。首先以往的工作中大多直接对分子数据进行建模,这忽略了化学子结构在构成分子图当中起到的作用;其次现有的生成模型大多以连续形式建模分子数据,这对本为离散的分子数据产生了反离散化操作,同时模型没有将分子的节点信息和边信息分开建模,这些导致模型不能很准确的学习到分子数据分布;最后在实际合成一个新分子的过程中,往往是通过一些已知的结构相似的分子经过适当的化学反应合成新的分子化合物,这就需要设计可以针对特定属性来生成新分子的模型,同时也需要模型给出与新分子结构相近的已知分子,而现有的分子生成相关研究工作中大多以随机生成为主,或是针对分子的成药性和可合成性等特定指标做出优化,它们很少针对分子的多种化学属性进行分子编辑生成新分子,同时也并没有给出与新分子结构相似的已知分子,这并没有显著降低合成新化合物的难度。为了对以上这些问题进行改进,我们提出了三种流式生成模型来解决分子生成问题。首先,我们提出了一种基于压缩流的分子图生成模型Comp MF,该模型首先以一些分子图中常见的化学子结构对原始分子图进行了压缩,以压缩后的分子图结构来构建一种压缩流模型。在生成分子的过程中,首先生成一种压缩后的分子表示,再经过压缩过程的逆过程还原成正确的分子图结构。经过压缩,分子的维度有了可观的缩减,且模型的输入也包含了一定的化学规则,生成分子的化学有效性得到了进一步的保障。其次,我们提出了一种基于离散图流的分子图生成模型Dis MF,该模型采用离散的方式来设计流模型,并且在流模块内部将分子的节点和边信息分开建模,最终以自回归的方式逐个节点逐条边来生成分子。该模型消除了对分子数据的反离散化操作,也避免了频繁计算雅可比行列式的计算消耗,对分子的节点和边信息的建模也更加精准。最后,我们提出了一种基于属性编辑流的分子图生成模型AEMF,该模型对分子数据建模的同时,也训练了一个属性编辑网络Attr Editor,该网络学习了分子的属性变化与分子在隐空间中编码的变化之间的映射。在生成分子的过程中,给出原分子和目标属性,该模型将根据目标属性与当前原分子属性的差异,计算出与原分子结构相似且具有目标属性的全新分子的隐空间编码,其编码经过流模型的解码,最终生成符合期望的分子。

关键词：条件流模型离散流模型自回归模型分子编辑分子图生成

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：