• <table id="4yyaw"><kbd id="4yyaw"></kbd></table>
  • <td id="4yyaw"></td>

  • MOFormer:無需3D結構、基于Transformer的預測語言模型

    金屬有機框架(MOF)是具有高比表面積、高孔隙率和結構可設計的結晶性多孔材料,可用于氣體吸附、氣體儲存、氣體分離、催化劑等領域。 然而,MOF 的化學空間非常巨大。發現適合特定應用的最佳 MOF 需要對無數潛在候選材料進行高效、準確的搜索。快速且低成本地為特定任務選擇性能最佳的 MOF 一直具有挑戰性。使用 DFT 等計算模擬的高通量篩選方法可能非常耗時,且需要 MOF 的 3D 原子結構。 近日,來自卡內基梅隆大學(CMU)的研究團隊提出了一種基于 Transformer 模型的與結構無關的深度學習方法,稱為 MOFormer,用于 MOF 的屬性預測。MOFormer 將 MOF (MOFid) 的文本字符串表示形式作為輸入,從而避免了獲取假設 MOF 的 3D 結構的需要,并加速了篩選過程。 與領先模型相比,MOFormer 在所有基準上預測精度最佳,且無需明確依賴 3D 原子結構。MOFormer 為使用深度學習進......閱讀全文

    MOFormer:無需3D結構、基于Transformer的預測語言模型

    金屬有機框架(MOF)是具有高比表面積、高孔隙率和結構可設計的結晶性多孔材料,可用于氣體吸附、氣體儲存、氣體分離、催化劑等領域。  然而,MOF 的化學空間非常巨大。發現適合特定應用的最佳 MOF 需要對無數潛在候選材料進行高效、準確的搜索。快速且低成本地為特定任務選擇性能最佳的 MOF 一直具有挑

  • <table id="4yyaw"><kbd id="4yyaw"></kbd></table>
  • <td id="4yyaw"></td>
  • 调性视频