Hluboké učení pro výpočetní chemii s diferencovatelnou doménovou znalostí
Deep learning for computational chemistry with differentiable background knowledge
Typ dokumentu
diplomová prácemaster thesis
Autor
Emir Hodžić
Vedoucí práce
Šír Gustav
Oponent práce
Drchal Jan
Studijní obor
Artificial IntelligenceStudijní program
Open InformaticsInstituce přidělující hodnost
katedra počítačůPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato práce se zabývá použitím grafových neuronových sítí (GNN) ve výpočetní chemii s cílem zvýšit přesnost a predikční schopnosti modelů strojového učení pro molekulární data. Studie zkoumá nejmodernější architektury GNNs a navrhuje nové implementace využívající techniky relačního učení. Díky integraci modelů a chemických pravidel, specifických pro danou oblast, výsledky ukazují na zvýšenou přesnost a prediktivní schopnost na některých referenčních souborech dat. Tento přístup založený na znalostech využívá potenciál pro zpřesnění a rozšíření souboru chemických pojmů zakódovaných v relačních pravidlech, což umožňuje lepší reprezentaci složitých chemických systémů. Tato práce přispívá k rostoucímu oboru výpočetní chemie tím, že demonstruje efektivitu GNN rozšířených o bázi chemických znalostí. Zjištění nabízejí cenné poznatky pro výzkumné pracovníky a odborníky z praxe, kteří se snaží využít strojové učení při objevování nových molekul a materiálů, s potenciálem pro transformační pokrok ve vývoji léčiv a chemickém výzkumu. This thesis explores the application of Graph Neural Networks (GNNs) in computational chemistry, aiming to enhance the accuracy and predictive capabilities of machine learning models for molecular properties. The study investigates state-of-the-art GNN architectures and proposes novel implementations leveraging relational learning techniques. By integrating domain-specific chemical rules into the models, the results indicate improved accuracy and predictive power on some benchmark datasets. This knowledge-based approach taps into the vast potential for refining and expanding the set of chemistry concepts encoded in relational rules, allowing for a better representation of complex chemical systems This thesis contributes to the growing field of computational chemistry by demonstrating the effectiveness of GNNs augmented with a chemistry knowledge base. The findings offer valuable insights for researchers and practitioners seeking to leverage machine learning in the discovery of new molecules and materials, with the potential for transformative advancements in drug development and chemical research.
Kolekce
- Diplomové práce - 13136 [833]