リソースを探す

GeoDiff は分子コンフォメーション生成のための幾何拡散モデルであり、GEOM に基づく学習、チェックポイントからのサンプリング、コンフォメーションおよび物性の評価を行う公式コードを提供します。

分子生成 · 計算化学

GraphAF は分子グラフ生成のためのフローベース自己回帰モデルです。参照コードへのリンクがあり、README の更新では TorchDrug にある実装も案内されています。

分子生成

JT-VAEは、分子グラフ生成のためのJunction Tree Variational Autoencoder公式実装であり、VAEの学習コードと、ベイズ最適化および特性予測器の共同学習用スクリプトを備えています。

分子生成

MoFlow は可逆な分子グラフ生成モデルであり、QM9 と zinc250k を対象とした学習、再構築、潜在空間サンプリング、補間、物性最適化のワークフローが文書化されています。

分子生成

MolGPT は、MOSES および Guacamol データセットで次トークン予測を用いて小規模なカスタム GPT を訓練し、無条件および条件付きの分子生成に用います。訓練済みの重みと、Ecco に基づく顕著性分析へのリンクもあります。

分子生成

ChemBERTa は、化学 SMILES 向けの BERT 類似モデルを提供します。RoBERTa によるマスク言語モデリングのチェックポイントと、事前学習、ファインチューニング、分子特性予測の研究向けノートブックが含まれます。

分子特性予測

GraphMVPは、事前学習時に2Dトポロジーと3D幾何情報を組み合わせ、その後の下流分類・回帰タスクでは2Dグラフを使用する、分子表現学習の研究実装です。

分子特性予測

GROVER は、分子グラフの事前学習済み Transformer と、自己教師あり事前学習、物性予測のファインチューニング、推論、評価、分子フィンガープリント生成のための PyTorch ワークフローを提供します。

分子特性予測

MolCLRは、ラベルなし分子を用いてグラフニューラルネットワークを事前学習し、下流の分子特性予測に向けたファインチューニングを支援する分子コントラスト学習フレームワークです。

分子特性予測

Uni-Molは、分子およびタンパク質ポケットのモデルを備え、物性予測、配座モデリング、ドッキング向けの関連ツールをサポートする3D分子表現学習フレームワークです。

分子特性予測 · 分子生成

GemNetは、幾何学的メッセージパッシングモデルを用いて分子エネルギーと原子に作用する力を予測するPyTorch参照実装で、学習、ASEを用いた予測、分子動力学のノートブックを備えています。

分子特性予測 · 計算化学

DimeNetは、分子グラフ上の方向性メッセージパッシングに用いるDimeNetおよびDimeNet++の参照実装を提供し、学習ノートブック、テストセット予測ワークフロー、事前学習済みモデルを含みます。

分子特性予測 · 量子化学

SpookyNetは、電子自由度と非局所効果を含む力場を学習するものとして説明されているPython研究パッケージです。関連論文が引用されており、リポジトリのコードにはMITライセンスが適用されています。

分子特性予測 · 量子化学

PhysNetは、分子のエネルギー、力、双極子モーメント、部分電荷を予測するニューラルネットワークのTensorFlow実装です。設定可能なトレーニングワークフローとサンプルデータセットを備えています。

分子特性予測 · 量子化学

TorchMD-Netは、TensorNetアーキテクチャ、自作分子データセット、学習済みチェックポイントの読み込み、分子動力学との連携を備えた、学習可能なニューラルネットワークポテンシャルをPyTorchモジュールとして実装します。

分子特性予測 · 計算化学

DeePMD-kit は、量子力学計算の参照データから Deep Potential 原子間モデルを学習・ファインチューニングし、推論や分子動力学シミュレーション用にエクスポートするためのツールキットです。

計算化学 · 材料探索

TorchANI は、ANI 系ニューラルネットワーク原子間ポテンシャルの開発、学習、利用を目的とした PyTorch ライブラリです。記述子の計算と推論には、オプションの C++ および CUDA 拡張を利用できます。

分子特性予測 · 量子化学

Allegro は NequIP の拡張として E(3) 等変原子間ポテンシャルを実装し、文書化された GPU 高速化オプションと、LAMMPS シミュレーション用の独立したプラグインを提供します。

計算化学 · 材料探索

NequIP は、E(3) 同変原子間ポテンシャルを構築するためのオープンソースフレームワークです。学習、事前学習済み基盤ポテンシャル、および ASE と LAMMPS との連携をサポートします。

計算化学 · 材料探索

MACE は高次の等変機械学習原子間ポテンシャルを提供し、原子系データによる学習、構造の評価、事前学習済みモデルの利用やファインチューニングのワークフローを備えています。

計算化学 · 材料探索