【IT168 资讯】最近发布了一款Chainer Chemistry，Chainer 扩展来训练和运行神经网络，用于一些生物学和化学的任务。

　　·Github页面：https：//github.com/pfnet-research/chainer-chemistry

　　·文档：https：//chainer-chemistry.readthedocs.io

　　以上的页面可以帮助您轻松地在分子结构上进行深度学习。

　　例如，您可以将机器学习应用于毒性分级任务或HOMO(最高占用分子轨道)级别的回归任务。

　　该库是在PFN 2017夏季实习期间开发的，它的一部分已由京都大学的实习生秋田弘高实施。

　　支持的功能

　　Graph卷积神经网络(作用于图的卷积神经网络)的实现

　　最近提出的图形卷积网络打开了从“图形结构”输入进入应用深度学习的大门，图形卷积网络目前是一个活跃的研究领域。我们实现了几个图形卷积网络体系结构，包括今年的论文中介绍的网络。

　　以下模型已经被实现：

　　NFP：基于神经网络的指纹识别

　　GGNN：Gated-Graph神经网络

　　WeaveNet：分子图形卷积(Molecular Graph Convolutions )

　　SchNet：连续滤波卷积神经网络(continuous-filter convolutional Neural Network )

　　常见的数据预处理/研究数据集支持

　　各种数据集可以与这个库的通用接口一起使用。此外，一些研究数据集可以自动下载和预处理。

　　支持以下数据集：

　　·QM9 [7,8]：具有多达9个C / O / N / F原子的有机分子结构的数据集及其计算的物理属性值。这些值包括HOMO / LUMO水层级和内部能量。计算是量子化学的B3LYP / 6-31G级。

　　·Tox21 [9]：12个生物目标的毒性测量数据集

　　可用的训练/推理示例代码：

　　我们提供训练模型和推理的示例代码。您可以轻松地在这个库中尝试训练/推理这个模型，以便快速启动。

　　·https://github.com/pfnet-research/chainer-chemistry/tree/master/examples

　　背景

　　分子行为的模拟在发现新的药物领域是很重要的。当我们需要对量子效应进行高精度的计算时，DFT(密度泛函理论)被广泛使用。然而，它需要大量的计算资源，特别是大分子。在许多分子结构上应用模拟是困难的。

　　机器学习领域有一个不同的方法：学习在以前的实验中测量/计算过的数据，然后预测未经分析的分子的化学性质。神经网络可以比量子模拟更快地计算出预测结果。

　　一个重要的问题是如何处理化合物的输入/输出以便应用深度学习。主要问题是所有分子结构都有不同数量的原子，表现为不同的图形结构，而传统的深度学习方法是处理固定大小/结构化的输入。

　　然而，“图形卷积神经网络”被提出来处理输入的图形结构。

　　什么是图形卷积神经网络?

　　卷积神经网络引入了“卷积”层，其将内核应用于图像中的局部信息。它在许多图像任务中显示出结果，包括分类、检测、分割、甚至图像生成任务。

　　图形卷积神经网络引入了一个“图卷积”操作，在图上的相邻节点之间应用一个核函数来处理图形结构。

　　CNN是处理一个图像作为输入，而基于图形的CNN则可以处理图形结构(分子结构等)作为输入。

　　其应用不限于分子结构。 “图形结构”可以出现在社会网络、交通等诸多领域，图形卷积神经网络应用的研究是一个有趣的课题。例如，在图像上应用图形卷积，在知识库上应用，将其应用于交通预测上。

　　目标用户

　　·深度学习研究人员

　　该库提供最新的图形卷积神经网络实现

　　图形卷积应用不限于生物和化学，而是应用于各种领域。我们希望很多人使用这个库。

　　·材料/药物发现研究人员

　　该库使用户能够建立自己的模型来预测分子的各种化学性质。

　　将来的计划

　　这个库还是一个测试版本，并且正在积极开发中。可能会支持以下功能：

　　·为推理提供预先训练的模型

　　·添加更多的数据集

　　·实施更多的网络