M

Materials.selfies Ted

由ibm-research開發
基於Transformer架構的編碼器-解碼器模型,專為使用SELFIES進行分子表徵而設計
下載量 3,343
發布時間 : 10/25/2024

模型概述

該模型利用Transformer架構處理SELFIES格式的分子表示,能夠將SMILES字符串轉換為SELFIES格式並生成分子嵌入向量,適用於化學和材料科學領域的分子表徵任務。

模型特點

SELFIES分子表示
使用SELFIES(Self-referencing Embedded Strings)格式進行分子表徵,相比傳統SMILES格式具有更強的魯棒性
Transformer架構
基於先進的Transformer架構,能夠有效捕捉分子結構中的複雜模式和關係
分子嵌入生成
可將分子結構轉換為有意義的嵌入向量,便於下游機器學習任務使用

模型能力

SMILES到SELFIES轉換
分子特徵提取
分子嵌入生成

使用案例

化學信息學
分子相似性分析
通過比較分子嵌入向量評估分子結構相似性
可用於藥物發現中的先導化合物篩選
分子性質預測
將分子嵌入作為機器學習模型的輸入特徵
提高分子性質預測模型的準確性
材料科學
新材料發現
基於分子表徵進行材料設計和篩選
加速新型功能材料的開發過程
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase