Graphormer - Microsoft Research

Deskripsi

Graphormer adalah paket deep learning canggih yang dirancang untuk memberdayakan peneliti dan pengembang dalam melatih model kustom khusus untuk tugas pemodelan molekul. Tujuan utamanya adalah untuk secara signifikan mempercepat kemajuan dan aplikasi dalam AI untuk ilmu molekul, mencakup area penting seperti penemuan material dan penemuan obat.

Saat ini, Graphormer menawarkan dukungan yang kuat untuk berbagai tugas simulasi molekul, termasuk dinamika molekuler dan prediksi properti. Peta jalan pengembangan menunjukkan ekspansi di masa depan untuk mencakup aplikasi penting seperti prediksi reaksi, retrosintesis, generasi molekul, dan pemodelan molekul skala besar seperti polimer dan protein. Selain itu, ini akan meningkatkan kemampuan dalam prediksi interaksi obat-protein (DPI) dan area vital lainnya.

Dasar dari Graphormer dirinci dalam makalah NeurIPS 2021, "Do Transformers Really Perform Badly for Graph Representation Learning?" Penelitian ini memperkenalkan Graphormer sebagai model deep learning pertama yang dibangun di atas arsitektur Transformer standar yang terbukti mengungguli jaringan saraf graf konvensional dalam tugas prediksi tingkat graf. Pendekatan inovatif ini telah menghasilkan pencapaian yang signifikan.

Graphormer meraih peringkat pertama dalam KDD Cup – OGB-LSC quantum chemistry track, sebuah kompetisi yang berfokus pada penggunaan AI untuk memprediksi properti kuantum lebih dari 3,8 juta molekul. Acara ini diikuti oleh lebih dari 500 tim, termasuk pemain industri besar. Baru-baru ini, Graphormer meraih kemenangan dalam Open Catalyst Challenge, sebuah kompetisi yang berpusat pada pemodelan sistem reaksi katalis-absorbat yang digerakkan oleh AI. Tantangan ini melibatkan simulasi lebih dari 0,66 juta sistem, menggarisbawahi potensi Graphormer untuk mendorong kemajuan dalam AI untuk penemuan material dan bidang terkait.

Versi Graphormer yang canggih dan telah dilatih sebelumnya dapat diakses melalui Azure Quantum Elements, menyediakan jalur yang disederhanakan bagi para peneliti untuk memanfaatkan kemampuannya. Proyek ini juga didukung oleh dokumentasi yang komprehensif dan repositori GitHub untuk keterlibatan dan pengembangan komunitas.

Sorotan Graphormer

• Paket deep learning untuk pemodelan molekul

• Mempercepat AI untuk penemuan material dan obat-obatan

• Mendukung simulasi dinamika molekuler

• Memungkinkan prediksi properti untuk molekul

• Arsitektur berbasis Transformer untuk pembelajaran representasi graf

• Mengungguli jaringan saraf graf konvensional

• Memenangkan KDD Cup – OGB-LSC quantum chemistry track

• Memenangkan Open Catalyst Challenge

• Dukungan masa depan untuk prediksi reaksi

• Dukungan masa depan untuk retrosintesis

• Dukungan masa depan untuk generasi molekul

• Dukungan masa depan untuk pemodelan molekul skala besar (polimer, protein)

• Dukungan masa depan untuk prediksi interaksi obat-protein (DPI)

Memulai dengan Graphormer

1. 1

   Akses model: Dapatkan akses ke Graphormer melalui Azure Quantum Elements atau repositori sumber terbukanya.

2. 2

   Siapkan lingkungan: Konfigurasikan lingkungan pengembangan Anda dengan kerangka kerja dan pustaka deep learning yang diperlukan.

3. 3

   Integrasikan melalui API: Gunakan API yang disediakan untuk memasukkan Graphormer ke dalam alur kerja pemodelan molekul Anda.

4. 4

   Latih model kustom: Kembangkan dan latih model khusus untuk tugas simulasi molekul tertentu.

5. 5

   Optimalkan kinerja: Sesuaikan parameter dan konfigurasi model untuk akurasi dan efisiensi yang ditingkatkan.

6. 6

   Terapkan untuk penelitian: Terapkan model yang dilatih untuk penemuan material, penemuan obat, dan aplikasi ilmiah lainnya.

Kasus Penggunaan Graphormer

• Penemuan Material
• Penemuan Obat
• Dinamika Molekuler
• Prediksi Properti
• Kimia Kuantum
• Pemodelan Katalis

FAQ dari Graphormer

• Apa itu Graphormer dan apa tujuan utamanya?

  Graphormer adalah paket deep learning yang dirancang untuk tugas pemodelan molekul, bertujuan untuk mempercepat penelitian dan aplikasi dalam AI untuk ilmu molekul, seperti penemuan material dan obat-obatan.

• Jenis tugas simulasi molekul apa yang saat ini didukung oleh Graphormer?

  Graphormer saat ini mendukung berbagai tugas simulasi molekul, termasuk dinamika molekuler dan prediksi properti.

• Aplikasi masa depan apa yang akan didukung oleh Graphormer?

  Dalam waktu dekat, Graphormer akan mendukung aplikasi penting seperti prediksi reaksi, retrosintesis, generasi molekul, pemodelan molekul skala besar (polimer, protein), dan prediksi interaksi obat-protein (DPI).

• Apa arsitektur dasar Graphormer?

  Graphormer dibangun di atas arsitektur Transformer standar, menjadikannya model deep learning pertama dari jenisnya yang secara signifikan mengungguli jaringan saraf graf konvensional pada tugas prediksi tingkat graf.

• Kompetisi penting apa yang telah dimenangkan Graphormer?

  Graphormer memenangkan peringkat pertama dalam KDD Cup – OGB-LSC quantum chemistry track dan Open Catalyst Challenge.

• Apa tujuan dari KDD Cup – OGB-LSC quantum chemistry track?

  Kompetisi ini bertujuan untuk menggunakan AI untuk memprediksi properti kuantum lebih dari 3,8 juta molekul.

• Apa fokus dari Open Catalyst Challenge?

  Open Catalyst Challenge berfokus pada pemodelan sistem reaksi katalis-absorbat menggunakan AI, mensimulasikan jutaan sistem.

• Di mana saya dapat mengakses versi Graphormer yang telah dilatih sebelumnya?

  Versi canggih yang telah dilatih sebelumnya dari Graphormer tersedia secara eksklusif di Azure Quantum Elements.

• Apakah Graphormer open-source?

  Meskipun versi canggih ada di Azure Quantum Elements, proyek ini terkait dengan repositori GitHub, menunjukkan komponen sumber terbuka atau ketersediaannya.

• Siapa audiens target untuk Graphormer?

  Graphormer ditujukan untuk peneliti dan pengembang yang mengerjakan tugas pemodelan molekul di bidang seperti penemuan material dan penemuan obat.

• Bagaimana Graphormer menguntungkan AI untuk ilmu molekul?

  Ini mempercepat penelitian dan aplikasi dengan menyediakan kerangka kerja deep learning yang kuat yang mencapai kinerja state-of-the-art pada tugas pembelajaran representasi graf yang kompleks yang relevan dengan ilmu molekuler.