双模型分工加速药物化学:XGBoost 选实验,3D 图网络预测反应
bravo_abad · x · 2026-10-10
Minot 等研究者把「选下一个实验」和「预测化学反应」交给两类模型分工。一个 XGBoost 集成(决策树组)负责挑选实验:通过成员间分歧度寻找最值得测试的分子,约 0.1 秒即可为超过 22,000 个候选打分,使反复筛选几乎零成本。扩充的数据集再用于训练几何图神经网络,利用原子 3D 排布预测化学性质。在随机划分训练/测试时树模型表现不错,但面对全新分子骨架时,3D 几何图神经网络的优势才真正显现——这对药物分子修饰等场景(判断反应发生在哪里)意义重大。
「研究」频道最新
- IFM 开源 RL360:8192 并发沙箱、130 万 rollouts 的 RL 基建 — rupspace · 2026-10-23
- AI 揭穿阴谋论研究风波落幕：Science 撤回关注声明，结论不变 — DG_Rand · 2026-10-23
- Embodied First Exam：一行代码在 44 台机器人上考你的 Agent — ManlingLi_ · 2026-10-23
- Anima Anandkumar 演讲：AI 气象模型胜超算，但不会取代科学家 — AnimaAnandkumar · 2026-10-23
- GLM-5.3-Flash 实现 1M token 上下文训练，较基线提升 64 倍 — AndrewLBeam · 2026-10-23
- 作者用布尔逻辑造 LM:前向传播单线程仅需几微秒但训练极慢 — cephaloform · 2026-10-23