ICML 论文覆盖：生物与化学难题
VectorInst · x · 2026-07-10
这是该系列 ICML 2026 论文覆盖的最后一篇，聚焦“把机器学习用到生物和化学中最难的问题上”。 ### 基因组方向 - **dnaHNet** 是一个基因组基础模型，学习的是**动态切分 DNA**，而不是使用固定词表。 - 作者称它在效率上优于领先模型，并且在**蛋白突变效应预测**和**基因必需性预测**上更准确。 - 另外两篇基因组论文分别讨论了**评估偏差**以及**面向 genome language model 的进化式预训练**。 ### 量子化学方向 Alán Aspuru-Guzik 团队从三个角度降低量化成本： - 用廉价输入学习 coupled cluster 输出的 **MoLe**； - 通过 derivative-informed training 将能量误差降低 **66%**； - 让 **ELECTRAFI** 在预测晶体电子密度时达到最高约 **600×** 的加速。 整体来看，这组工作强调的是：在生物与化学任务中，模型设计、训练方式和评估偏差都会显著影响性能与计算成本。