Graphormer - Microsoft Research

الوصف

Graphormer هي حزمة تعلم عميق متطورة مصممة لتمكين الباحثين والمطورين من تدريب نماذج مخصصة خصيصًا لمهام نمذجة الجزيئات. هدفها الأساسي هو تسريع التقدم والتطبيقات بشكل كبير في مجال الذكاء الاصطناعي لعلوم الجزيئات، بما في ذلك المجالات الحيوية مثل اكتشاف المواد واكتشاف الأدوية.

حاليًا، يوفر Graphormer دعمًا قويًا لمجموعة متنوعة من مهام محاكاة الجزيئات، بما في ذلك ديناميكيات الجزيئات والتنبؤ بالخصائص. يشير مخطط التطوير إلى توسعات مستقبلية لتشمل تطبيقات حاسمة مثل التنبؤ بالتفاعلات، والتخليق الرجعي، وتوليد الجزيئات، ونمذجة الجزيئات واسعة النطاق مثل البوليمرات والبروتينات. علاوة على ذلك، من المقرر أن يعزز القدرات في التنبؤ بتفاعلات الدواء والبروتين (DPI) والمجالات الحيوية الأخرى.

تم تفصيل أساس Graphormer في ورقة NeurIPS 2021 بعنوان "هل تؤدي المحولات أداءً سيئًا حقًا في تعلم تمثيل الرسم البياني؟" قدم البحث Graphormer كأول نموذج تعلم عميق مبني على بنية Transformer قياسية يتفوق بشكل واضح على الشبكات العصبية الرسومية التقليدية في مهام التنبؤ على مستوى الرسم البياني. أدت هذه المقاربة المبتكرة إلى إنجازات كبيرة.

حقق Graphormer المركز الأول في مسابقة KDD Cup – OGB-LSC لمسار الكيمياء الكمومية، وهي مسابقة تركز على استخدام الذكاء الاصطناعي للتنبؤ بالخصائص الكمومية لأكثر من 3.8 مليون جزيء. شهد هذا الحدث مشاركة أكثر من 500 فريق، بما في ذلك لاعبون رئيسيون في الصناعة. مؤخرًا، فاز Graphormer بمسابقة Open Catalyst Challenge، وهي مسابقة تركز على نمذجة أنظمة تفاعل المحفزات والممتزات المدفوعة بالذكاء الاصطناعي. تضمنت هذه المسابقة محاكاة أكثر من 0.66 مليون نظام، مما يؤكد إمكانات Graphormer في دفع التقدم في مجال الذكاء الاصطناعي لاكتشاف المواد والمجالات ذات الصلة.

تتوفر إصدارات متقدمة مدربة مسبقًا من Graphormer من خلال Azure Quantum Elements، مما يوفر مسارًا مبسطًا للباحثين للاستفادة من قدراته. يدعم المشروع أيضًا وثائق شاملة ومستودع GitHub للمشاركة المجتمعية والتطوير.

أبرز ملامح Graphormer

• حزمة تعلم عميق لنمذجة الجزيئات

• تسرّع الذكاء الاصطناعي لاكتشاف المواد والأدوية

• تدعم محاكاة ديناميكيات الجزيئات

• تمكّن التنبؤ بخصائص الجزيئات

• بنية قائمة على Transformer لتعلم تمثيل الرسم البياني

• تتفوق على الشبكات العصبية الرسومية التقليدية

• فازت بمسابقة KDD Cup – OGB-LSC لمسار الكيمياء الكمومية

• فازت بمسابقة Open Catalyst Challenge

• دعم مستقبلي للتنبؤ بالتفاعلات

• دعم مستقبلي للتخليق الرجعي

• دعم مستقبلي لتوليد الجزيئات

• دعم مستقبلي لنمذجة الجزيئات واسعة النطاق (البوليمرات، البروتينات)

• دعم مستقبلي للتنبؤ بتفاعلات الدواء والبروتين (DPI)

البدء مع Graphormer

1. 1

   الوصول إلى النموذج: احصل على وصول إلى Graphormer عبر Azure Quantum Elements أو مستودعه مفتوح المصدر.

2. 2

   إعداد البيئة: قم بتكوين بيئة التطوير الخاصة بك بأطر ومكتبات التعلم العميق اللازمة.

3. 3

   التكامل عبر API: استخدم واجهات برمجة التطبيقات (APIs) المقدمة لدمج Graphormer في سير عمل نمذجة الجزيئات الخاصة بك.

4. 4

   تدريب نماذج مخصصة: قم بتطوير وتدريب نماذج مخصصة لمهام محاكاة الجزيئات المحددة.

5. 5

   تحسين الأداء: قم بضبط معلمات وتكوينات النموذج لتحسين الدقة والكفاءة.

6. 6

   التطبيق في البحث: قم بنشر النماذج المدربة لاكتشاف المواد، واكتشاف الأدوية، والتطبيقات العلمية الأخرى.

حالات استخدام Graphormer

• اكتشاف المواد
• اكتشاف الأدوية
• ديناميكيات الجزيئات
• التنبؤ بالخصائص
• الكيمياء الكمومية
• نمذجة المحفزات

الأسئلة الشائعة من Graphormer

• ما هو Graphormer وما هو غرضه الأساسي؟

  Graphormer هي حزمة تعلم عميق مصممة لمهام نمذجة الجزيئات، وتهدف إلى تسريع البحث والتطبيقات في مجال الذكاء الاصطناعي لعلوم الجزيئات، مثل اكتشاف المواد والأدوية.

• ما هي أنواع مهام محاكاة الجزيئات التي يدعمها Graphormer حاليًا؟

  يدعم Graphormer حاليًا مهام محاكاة جزيئات متنوعة، بما في ذلك ديناميكيات الجزيئات والتنبؤ بالخصائص.

• ما هي التطبيقات المستقبلية التي سيدعمها Graphormer؟

  في المستقبل القريب، سيدعم Graphormer تطبيقات مهمة مثل التنبؤ بالتفاعلات، والتخليق الرجعي، وتوليد الجزيئات، ونمذجة الجزيئات واسعة النطاق (البوليمرات، البروتينات)، والتنبؤ بتفاعلات الدواء والبروتين (DPI).

• ما هي البنية الأساسية لـ Graphormer؟

  يعتمد Graphormer على بنية Transformer قياسية، مما يجعله أول نموذج تعلم عميق من نوعه يتفوق بشكل كبير على الشبكات العصبية الرسومية التقليدية في مهام التنبؤ على مستوى الرسم البياني.

• ما هي المسابقات البارزة التي فاز بها Graphormer؟

  فاز Graphormer بالمركز الأول في مسابقة KDD Cup – OGB-LSC لمسار الكيمياء الكمومية ومسابقة Open Catalyst Challenge.

• ما هو هدف مسابقة KDD Cup – OGB-LSC لمسار الكيمياء الكمومية؟

  هدفت هذه المسابقة إلى استخدام الذكاء الاصطناعي للتنبؤ بالخصائص الكمومية لأكثر من 3.8 مليون جزيء.

• ما هو تركيز مسابقة Open Catalyst Challenge؟

  ركزت مسابقة Open Catalyst Challenge على نمذجة أنظمة تفاعل المحفزات والممتزات باستخدام الذكاء الاصطناعي، ومحاكاة ملايين الأنظمة.

• أين يمكنني الوصول إلى الإصدارات المتقدمة المدربة مسبقًا من Graphormer؟

  الإصدارات المتقدمة المدربة مسبقًا من Graphormer متاحة حصريًا على Azure Quantum Elements.

• هل Graphormer مفتوح المصدر؟

  بينما تتوفر الإصدارات المتقدمة على Azure Quantum Elements، يرتبط المشروع بمستودع GitHub، مما يشير إلى مكونات مفتوحة المصدر أو توفرها.

• من هو الجمهور المستهدف لـ Graphormer؟

  يستهدف Graphormer الباحثين والمطورين الذين يعملون على مهام نمذجة الجزيئات في مجالات مثل اكتشاف المواد واكتشاف الأدوية.

• كيف يفيد Graphormer الذكاء الاصطناعي لعلوم الجزيئات؟

  إنه يسرّع البحث والتطبيق من خلال توفير إطار تعلم عميق قوي يحقق أداءً متطورًا في مهام تعلم تمثيل الرسم البياني المعقدة ذات الصلة بعلوم الجزيئات.