كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

SchNet – شبكة SchNet للمرشحات المستمرة

SchNet (2017)

الذرات ليست شبكة منتظمة؛ ولّد أوزان المرشح من المسافة بين الذرتين بشبكة صغيرة، فيصبح الالتفاف مستمراً في الفضاء وثابتاً تحت الدوران والإزاحة.

العائلة: هندسية ومتكافئة (Geometric)المهام: انحدار الطاقة والقوى للجزيئات، الديناميكا الجزيئية

الحدس

الذرات ليست شبكة منتظمة؛ ولّد أوزان المرشح من المسافة بين الذرتين بشبكة صغيرة، فيصبح الالتفاف مستمراً في الفضاء وثابتاً تحت الدوران والإزاحة.

CONHHr_ijrotate / translatem_ij = φ(h_i, h_j, ‖x_i−x_j‖²)x_i += Σ (x_i−x_j) φ_x(m_ij)h_i ← φ_h(h_i, Σ m_ij)
الشبكات المتكافئة: تعتمد الرسائل على المسافات بين الذرات، فيدور الخرج مع دوران الجزيء.

الشرح التفصيلي

تُمثَّل كل ذرة بتضمين لنوعها. في كتل التفاعل، تُوسَّع المسافة بين كل زوج ضمن مسافة قطع بدوال أساس شعاعية غاوسية، وتمرر إلى شبكة تولد مرشحاً لكل قناة، ثم تُجمع خصائص الجيران مضروبة عنصرياً في المرشح. تُحدَّث التمثيلات بوصلات متبقية، وتُجمع في النهاية بالمجموع للحصول على الطاقة، وتُشتق القوى بوصفها سالب تدرج الطاقة بالنسبة إلى الإحداثيات، فتكون محافظة للطاقة.

حققت نتائج قوية على QM9 وMD17 وأصبحت خط أساس للنماذج الهندسية.

البنية المعمارية

تضمين الأنواع ← 3–6 كتل تفاعل (cfconv) ← MLP لكل ذرة ← مجموع = الطاقة.

المعادلات

x_i^{l+1}=\sum_{j}x_j^{l}\circ W^{l}(r_i-r_j),\qquad W^{l}(r_{ij})=\operatorname{MLP}\!\big(e(\lVert r_{ij}\rVert)\big)
الالتفاف المستمر بأوزان من المسافة.
F_i=-\frac{\partial E}{\partial r_i}
القوى المشتقة من الطاقة.

نقاط القوة

  • ثابت تحت E(3)
  • قوى محافظة للطاقة
  • بسيط وسريع نسبياً

القيود

  • المسافات وحدها لا تميز كل البنى
  • لا يستخدم الزوايا
  • مسافة القطع تحد المدى

التعقيد الحسابي

O(n·k·F) مع k جاراً ضمن القطع.

متى تستخدمه

خصائص الجزيئات والمواد حين تتوفر الإحداثيات.

التنفيذ في PyTorch Geometric

torch_geometric.nn.models.SchNet

شيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. Schütt, K. T., Kindermans, P.-J., Sauceda, H. E., Chmiela, S., Tkatchenko, A., & Müller, K.-R. (2017). SchNet: A continuous-filter convolutional neural network for modeling quantum interactions. Advances in Neural Information Processing Systems (NeurIPS). arXiv: 1706.08566مرشحات مستمرة تعتمد على المسافات بين الذرات.
  2. Ramakrishnan, R., Dral, P. O., Rupp, M., & von Lilienfeld, O. A. (2014). Quantum chemistry structures and properties of 134 kilo molecules. Scientific Data. DOI: 10.1038/sdata.2014.22مصدر مجموعة QM9.