💡
原文中文，约4100字，阅读约需10分钟。
📝
内容提要
深势科技与北京大学合作推出Uni-Mol+，利用3D构象进行量子化学属性预测，提高了预测准确性。该模型基于双轨Transformer，通过迭代更新3D坐标来达到平衡构象。研究结果发表在《Nature Communications》上，证明了Uni-Mol+的有效性。该方法有望提高计算材料和药物设计的效率。
🎯
关键要点
- 深势科技与北京大学合作推出新一代模型Uni-Mol+，利用3D构象进行量子化学属性预测。
- Uni-Mol+基于双轨Transformer，通过迭代更新3D坐标来平衡构象，显著提高预测准确性。
- 研究结果发表在《Nature Communications》上，证明了Uni-Mol+的有效性。
- Uni-Mol+在小分子性质预测、蛋白靶点预测等任务上超越了现有解决方案。
- 该模型在PCQM4MV2和Open Catalyst 2020基准测试中表现优异，性能显著优于之前的研究。
- 研究人员提出了一种新颖的训练策略，通过生成伪轨迹进行构象优化。
- 消融研究表明，Uni-Mol+的默认采样策略有效，强调了不同构象混合物的重要性。
- Uni-Mol+不仅能预测量子化学性质，还能有效预测平衡构象，具有广泛应用潜力。
❓
延伸问答
Uni-Mol+模型的主要创新点是什么？
Uni-Mol+模型基于双轨Transformer，通过迭代更新3D坐标来平衡构象，显著提高了量子化学属性预测的准确性。
Uni-Mol+在量子化学属性预测中表现如何？
Uni-Mol+在PCQM4MV2和Open Catalyst 2020基准测试中表现优异，超越了现有的解决方案，准确性显著提高。
Uni-Mol+的训练策略有什么特别之处？
Uni-Mol+采用了一种新颖的训练策略，通过生成伪轨迹进行构象优化，并混合使用伯努利分布和均匀分布进行采样。
Uni-Mol+的应用潜力有哪些？
Uni-Mol+不仅能预测量子化学性质，还能有效预测平衡构象，具有广泛的应用潜力，如计算材料和药物设计。
研究结果发表在哪个期刊上？
研究结果发表在《Nature Communications》上。
Uni-Mol+如何优化构象以提高预测准确性？
Uni-Mol+通过迭代更新原始3D构象，学习目标构象，即DFT优化的平衡构象，从而提高预测准确性。
➡️
