以深度學習模型預測量子力學性質及活性係數

本文提出一種機器學習模型，將一種近似於自然語言的分子表示法：簡化分子線性輸入系統（simplified molecular input line entry system，SMILES），編碼到高維高分子數位編碼空間，並藉由另一神經網路將高維空間解碼為另一種稱為Molecular ACCess System（MACCS）的分子指紋；並以監督學習的方法訓練此一模型，可以將分子的結構特徵在高維空間作有序排列。使用此空間的位置作為輸入，可以建構一個深層神經網路以預測一種量子力學性質，稱為sigma profile。Sigma profile為分子臨近一無限導體時，表面電荷分布情形。Sigma profile為分子作為溶劑的特性，可以用於活性係數預測。研究結果顯示神經網路能夠學習部分分子結構與sigma profile後，能夠準確預測出其他分子的sigma profile。