抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
実験回転データと確率的深層学習を用いて,未知の元素組成と構造の分子を同定する概念実証フレームワークを提示した。実験的に決定した入力データの最小セットを用いて,未知の分子の同定を支援する情報を生成する4つのニューラルネットワークアーキテクチャを記述した。最初のアーキテクチャは,回転スペクトルに符号化された化学的および構造的情報を回復する方法として,分光パラメータをCoulomb行列固有スペクトルに変換する。続いて,固有スペクトルを3つの深層学習ネットワークにより用いて,化学量論の範囲を制約し,SMILESストリングを生成し,分子中に存在する最もありそうな官能基を予測した。各モデルにおいて,Bayesサンプリングの近似としてドロップアウト層を利用し,その後,他の決定論的モデルから確率的予測を生成する。これらのモデルは,分光定数の理論的不確実性がよく理解され,訓練をさらに増強するために使用される理論のωB97X-D/6-31+G(d)レベルで最適化された,Δλ_83,000のユニークな有機分子(18と180amuの間)からなる,中程度にサイズの理論的データセットで訓練された。化学的及び構造的特性は分子組成に大きく依存するので,データセットを純粋炭化水素,酸素含有,窒素含有及び酸素及び窒素含有種に対応する4群に分割し,これらのカテゴリーの1つにより各タイプのネットワークを訓練し,分子の各ドメイン内で「エキスパート」を作成した。これらのモデルが4つの分子に関する実用的な推論のためにどのように使用できるかを実証し,著者らのアプローチの長所と短所の両方を議論し,これらのアーキテクチャを取り入れることができる。【JST・京大機械翻訳】
