Transferring chemical and energetic knowledge between molecular systems with machine learning

Autor:	Sajjad Heydari, Stefano Raniolo, Lorenzo Livi, Vittorio Limongelli
Jazyk:	angličtina
Rok vydání:	2023
Předmět:	Chemistry QD1-999
Zdroj:	Communications Chemistry, Vol 6, Iss 1, Pp 1-13 (2023)
Druh dokumentu:	article
ISSN:	2399-3669
DOI:	10.1038/s42004-022-00790-5
Popis:	Machine learning algorithms are widely employed for molecular simulations, but there are likely many yet unexplored routes for the prediction of structural and energetic properties of biologically relevant systems. Here, the authors develop a hypergraph representation and message passing method for transferring knowledge obtained from simple molecular systems onto more complex ones, demonstrated by transfer learning from tri-alanine to the deca-alanine system.
Databáze:	Directory of Open Access Journals
Externí odkaz:	https://doaj.org/article/32d59f334fdb41f0acfd3841e81942db Zobrazit plný text záznamu View record in DOAJ Plný text ve formátu PDF Plný text ve formátu HTML
Nepřihlášeným uživatelům se plný text nezobrazuje	K zobrazení výsledku je třeba se přihlásit.