几何
博世团队提出参考神经算子，学习偏微分方程解对几何变形的平滑依赖
编辑 | 枯叶蝶在解决具有任意形状域的偏微分方程问题时，现有的神经算子方法致力于学习从几何形状到解的映射，但这通常需要庞大的（几何，解）二元组数据集来训练神经算子以确保准确性。然而，对于如工程设计优化等工业应用，因单次仿真可能耗时数小时乃至数天，满足此数据需求极为困难。针对这一挑战，博世人工智能中心（BCAI）的研究人员提出了参考神经算子（RNO）的概念，作为一种新颖的神经算子实现方式，旨在学习解对几何形变的平滑依赖。具体而言，给定一个参考解，RNO 能够预测该参考几何形状任意微小扰动下的对应解，此方法极大地提高了
优于3D模型，成功率达90.6%，基于扩散的生成式AI从2D分子图探索过渡态
TSDiff 预测分布的概念说明。（来源：论文）编辑 | X过渡态（TS）探索对于阐明化学反应机制和动力学建模至关重要。最近，机器学习模型在 TS 几何形状（geometries）预测方面表现出了卓越的性能。然而，它们通常需要反应物和产物的 3D 构象，并以其适当的方向作为输入，这需要大量的努力和计算成本。近日，韩国科学技术院（KAIST）的研究人员提出了一种基于随机扩散方法的生成方法，即 TSDiff，用于仅从 2D 分子图预测 TS 几何形状。TSDiff 在准确性和效率方面均优于现有的具有 3D 几何形状的
实现量子化学精度，同时规避几何弛豫瓶颈，深度对比学习用于分子性质有效预测
编辑 | 紫罗数据驱动的深度学习算法可以准确预测高级量子化学分子特性。然而，它们的输入必须限制在与训练数据集相同的量子化学几何弛豫水平，从而限制了它们的灵活性。采用替代的经济有效的构象生成方法会引入域偏移（domain-shift）问题，从而降低预测精度。近日，来自韩国首尔大学的研究人员提出了一种基于深度对比学习的域适应（domain-adaptation）方法，称为局部原子环境对比学习（Local Atomic environment Contrastive Learning，LACL）。LACL 通过比较不同的
《几何深度学习》作者授课，2022年GDL100课程上线
今年的 GDL100 包含常规课程、辅导课和专题研讨课，深入讲解了几何深度学习的基本概念和重要问题。
150页在线书「几何深度学习」上线：利用对称性和不变性解决机器学习问题
CNN、GNN、LSTM、Transformer 等深度学习模型之间的共通之处是什么？在这本书里问题得到了解答。
- 1