Core Concepts
複雑な分子構造を効率的かつ解釈可能に表現するための文法ベースのランダムウォークモデルが提案されています。
Abstract
分子発見における性能、効率、合成可能性において既存手法より優れていることが示されています。
専門家定義のモチーフを使用した場合、専門家以外の場合で比較実験が行われました。
プロパティ予測や分子生成タスクにおいて、本手法は高い性能を達成しました。
1. Abstract
分子探索研究は小さな医薬品様分子に主に注力されてきましたが、材料設計など他の重要なアプリケーションへの応用も考慮すべきです。
2. Introduction
物質科学は機械学習方法の潜在能力を十分に活用していません。
3. An Interpretable, Grammar-based Molecule Representation and Efficient Learning
グラフ文法を使用した新しい分子表現方法が提案されています。
4. Results & Analysis
プロパティ予測や分子生成タスクで本手法が優れた結果を示しています。
専門家定義のモチーフとヒューリスティックなモチーフで比較実験が行われました。
Stats
最近の研究では、300個以下のデータセットも一般的です。 (Wang et al., 2018; Lopez et al., 2016; Helma et al., 2001)
Quotes
"我々は既存手法よりも性能、効率、合成可能性において明確な利点を示しています。" - 論文内