PyTorch Geometric（PyG）は汎用グラフニューラルネットワークライブラリです。公式の QM9 例で分子物性学習への利用を確認できます。
掲載情報の更新 ·
分野を問わずグラフデータとメッセージ伝達の部品を提供します。分子グラフ研究の基盤ソフトウェアとして扱い、化学専用の学習済みモデルとは区別します。
制約
モデル、データ、学習設定は利用者が選ぶ必要があります。追加の高速化部品は PyTorch とハードウェアに合わせてください。
公式手順で導入し、QM9 の例を確認してからデータと学習条件を準備します。依存関係と評価用分割を記録してください。
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
ChemMLは、化学・材料データの分析、マイニング、モデリングを行うPythonツールスイートです。モジュール型設計を採用し、グラフニューラルネットワーク、AutoML、説明可能性に関する取り組みが記載されています。
分子特性予測 · 材料探索
Chemprop は、分子特性予測のためのメッセージパッシングニューラルネットワークを学習・評価する PyTorch ベースのツールキットです。CLI ワークフロー、Python モジュール、タスク別ノートブックを備えています。
分子特性予測
DeepMolは、化合物の標準化と特徴量化から、モデルの学習、評価、解釈、再利用可能なパイプラインまでをつなぐ、分子機械学習向けのPythonツールキットです。
分子特性予測
DGL-LifeSci は DGL と PyTorch に基づくツールキットで、化学・生物分野のグラフ学習用部品と例を提供します。
分子特性予測
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
QM9 分子グラフから、小規模な CPU GCN を訓練データだけの標準化で学習し、検証集合で選択したモデルのテスト MAE を Debye で報告します。
PyTorch Geometric
物性を予測
Python
セットアップを見る →QM9の対象と単位、グラフと幾何入力を区別し、評価の漏洩を防ぎ、原データと処理の来歴を残します。
グラフ学習基盤、等変演算ライブラリ、化学向けDGLツールキットを区別し、表現・評価・版の制約から選びます。