Диссертация
№ АААА-В19-419021890035-6Глубокие генеративные конкурентные нейронные сети для малых органических молекулярных структур
18.02.2019
Цель: разработка и экспериментальная оценка набора эффективных архитектур глубоких генеративных конкурентных нейронных сетей и алгоритмов их обучения для генерации малых органических молекулярных структур с заданными свойствами. Разработана архитектура RANC (Reinforced Adversarial Neural Computer) глубокой конкурентной нейронной сети для программной системы генерации малых органических молекулярных структур с заданными свойствами. Показано, что она позволяет генерировать более качественные молекулярные соединения по сравнению конкурентом – нейронной сетью с архитектурой ORGANIC (Objective Reinforced Generative Adversarial Network for Inverse Chemical Design).Разработана архитектура ATNC (Adversarial Threshold Neural Computer) глубокой конкурентной нейронной сети для программной системы генерации малых органических молекулярных структур с заданными свойствами на основе архитектуры RANC c добавлением специального блока, который фильтрует недостаточно качественные молекулярные соединения уже на этапе генерации. Показано, что она позволяет генерировать более качественные молекулярные соединения по сравнению с программными системами RANC. Разработана архитектура RSAAE (Reinforced Seq2Seq Adversarial Autoencoder) глубокой конкурентной нейронной сети для программной системы генерации малых органических молекулярных структур с заданными свойствами на основе архитектуры RANC с добавлением специального блока, который обеспечивает повышение процента генерации семантически валидных строк (молекул). Показано, что в экспериментах с предобучением (выполняется на больших выборках) и дальнейшим дообучением (выполняется на небольших выборках) RSAAE эффективнее RANC и ATNC, а в экспериментах только на небольших выборках ATNC эффективнее RANC и ATNC. Предложенные программные системы на основе глубоких генеративных конкурентных нейронных сетей применяются в компании ООО «Инсилико» (Москва) для генерации новых молекулярных структур. Результаты внедрены в Университете ИТМО.
ГРНТИ
76.31.35 Фармхимия
62.13.47 Биотехнологическое получение витаминов и коферментов
31.25.15 Структура и свойства природных и синтетических высокомолекулярных соединений
Ключевые слова
ГЛУБОКИЕ НЕЙРОННЫЕ СЕТИ ГЕНЕРАТИВНАЯ КОНКУРЕНТНАЯ НЕЙРОННАЯ СЕТЬГЕНЕРАЦИЯ МАЛЫХ ОРГАНИЧЕСКИХ МОЛЕКУЛЯРНЫХ СТРУКТУР ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ АЛГОРИТМЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙПРОГРАММНЫЕ СИСТЕМЫ
Детали
Автор
Путин Евгений Олегович
Вид
Кандидатская
Целевое степень
Кандидат технических наук
Дата защиты
27.12.2018
Организация защиты
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ ИТМО"
Организация автора
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ ИТМО"
Похожие документы
Разработка архитектуры порождающей конкурентной нейронной сети и среды обучения с подкреплением для генерации лекарственно подобных молекулярных структур
0.881
НИОКТР
Генеративные модели для задачи поиска лекарств
0.869
Диссертация
Кластеризация в обогащенных признаками сетях с использованием подхода восстановления данных
0.855
Диссертация
Использование вероятностных нейроморфных генеративных моделей для развития технологии цифровых двойников нелинейных стохастических систем
0.852
НИОКТР
Комплексная автоматизация синтеза искусственных нейронных сетей прямого распространения
0.848
Диссертация
Генеративный дизайн аптамерных последовательностей для диагностических применений
0.846
НИОКТР
Автономная лаборатория интеллектуальной нейроинженерии (промежуточный, этап 1)
0.844
ИКРБС
Разработка и исследование новых архитектур реконфигурируемых растущих нейронных сетей, методов и алгоритмов их обучения
0.842
ИКРБС
Проектирование нейросетевых систем глубинного обучения эволюционными алгоритмами для задачи человеко-машинного взаимодействия
0.840
Диссертация
Платформа генеративной химии в моделировании структур потенциальных лекарственных веществ
0.840
Диссертация