首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    ICLR2020 | GraphAF:基于FLOW的分子图自回归生成模型

    今天给大家介绍的是北京大学和上海交通大学的Chence Shi等人在2020年的ICLR上发表的会议论文GraphAF: A flow-based autoregressive model for molecular graph generation。分子的图生成作为药物发现的基本问题,正在引起越来越多的关注。这个问题非常具有挑战性,因为它不仅需要产生化学上有效的分子结构,而且还需要同时优化它们的化学性质。受深度生成模型最新进展的启发,本文提出了一种基于Flow的图生成自回归模型,称为GraphAF。GraphAF结合了自回归和基于Flow的方法的优点,可以高效并行计算训练,允许利用化学领域知识进行有效性检查。实验结果表明,即使没有化学知识规则,GraphAF也能产生68%的化学有效分子。在通过强化学习对目标导向的性质优化模型进行微调后,GraphAF实现了最先进的性能。

    04

    全球森林碳通量(2001-2023年)数据集

    全球森林碳通量(2001-2023) 森林碳净通量表示 2001-2023 年间森林与大气之间的碳净交换量,计算方法是模型期内森林排放的碳与森林清除(或封存)的碳之间的平衡(兆克 CO2 排放量/公顷)。碳净通量的计算方法是将每个建模像素的年均总清除量减去年均总排放量;负值表示 2001 年至 2023 年期间森林是碳的净汇,正值表示森林是碳的净源。净通量的计算遵循 IPCC 国家温室气体清单指南,根据 Hansen 等人(2013 年)的全球森林变化植被变化数据,在 2000 年有森林或 2000 年至 2012 年期间有森林的每个像素点进行计算。该层反映了模型期间(2001-2023 年)的累积净通量,必须除以 23 才能得到年平均净通量;净通量值不能分配给模型的各个年份。

    01
    领券