HyperAIHyperAI

Command Palette

Search for a command to run...

Complexes polyatomiques : Une représentation d'apprentissage informée par la topologie pour les systèmes atomistiques

Rahul Khorana Dr. Marcus Noack Dr. Jin Qian

Résumé

Le développement de représentations robustes des structures chimiques permettant aux modèles d'apprendre des biais inductifs topologiques est un défi. Dans ce manuscrit, nous présentons une représentation des systèmes atomiques. Nous commençons par démontrer que notre représentation satisfait toutes les contraintes structurelles, géométriques, d'efficacité et de généralisabilité. Ensuite, nous fournissons un algorithme général pour encoder tout système atomique. Enfin, nous rapportons des performances comparables aux méthodes de pointe sur de nombreuses tâches. Nous mettons à disposition tous les codes source et ensembles de données. Le code et les données sont disponibles à l'adresse suivante : https://github.com/rahulkhorana/PolyatomicComplexes.


Créer de l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec le co-codage IA gratuit, un environnement prêt à l'emploi et le meilleur prix pour les GPU.

Codage assisté par IA
GPU prêts à l’emploi
Tarifs les plus avantageux

HyperAI Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp