.png){kind=icon}
返回
Paddy: an evolutionary optimization algorithm for chemical systems and spaces
.png){kind=icon}
OA
AI
DOI：10.1039/d4dd00226a.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
化学系统和过程的优化已通过新算法和分析方法的发展得到增强和实现。虽然一些方法系统地研究基础变量如何与给定结果相关联，但通常需要大量实验才能准确建模此类关系。随着化学系统复杂性的增加，需要能够提出高效优化基础目标的实验算法，同时有效采样参数空间以避免收敛于局部最小值。我们基于受生物启发的进化优化算法——稻田算法（Paddy field algorithm），开发了Paddy软件包，该算法在不直接推断基础目标函数的情况下传播参数。我们将Paddy与多种优化方法进行了基准测试：Hyperopt软件库中的Parzen估计树（Tree of Parzen Estimator）、Meta的Ax框架中基于高斯过程的贝叶斯优化，以及EvoTorch中的两种基于群体的方法——带有高斯变异的进化算法和使用高斯变异和单点交叉的遗传算法——这些均代表了不同的优化方法。Paddy的性能在数学和化学优化任务中进行了基准测试，包括二维双峰分布的全局优化、不规则正弦函数的插值、用于反应组分溶剂分类的人工神经网络的超参数优化、通过优化解码器网络的输入向量进行靶向分子生成，以及为最优实验规划进行离散实验空间的采样。Paddy在所有优化基准测试中均保持了强性能，相比其他算法表现出稳健的通用性且性能各异。此外，Paddy凭借其绕过局部最优以寻求全局解的能力，避免了早期收敛。我们预计，Paddy的简便性、通用性、稳健性和开源特性将作为一个工具包，用于化学问题解决任务，特别是在自动化实验中优先进行探索性采样并具有固有的早期收敛抵抗能力，以识别最优解。
Keyword:
ITERATIVE OPTIMIZATION
GENERATIVE MODELS
COLONY ALGORITHM
DESIGN
CHROMATOGRAPHY
TIME
VALIDATION
PREDICTION
CHEMISTRY
CATALYSTS
期刊
IF:
5.6
论文数:
997
被引数:
1.7K
机构
引用论文
Nano-topology optimization for materials design with atom-by-atom control.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Machine learning enables long time scale molecular photodynamics simulationsChemical ScienceOAAI
Chemical ScienceIF7.4
OAAI分享收藏Maximum common substructure-based Tversky index: an asymmetric hybrid similarity measure基于最大公共子结构的Tversky指数: 一种非对称混合相似性度量
PREAI
分享收藏
查看更多内容