Active Causal Learning for Decoding Chemical Complexities with Targeted Interventions

要約

分子構造に基づいて固有の特性を予測し、強化することは、医学、材料科学、環境管理における設計タスクにとって最も重要です。
現在の機械学習および深層学習アプローチのほとんどは予測の標準となっていますが、分子表現とターゲット特性の間の相関関係に依存しているため、異なるデータセットに適用すると課題に直面します。
これらのアプローチは通常、化学空間内の多様性を捉える大規模なデータセットに依存し、分子の化学的挙動のより正確な近似、内挿、または外挿を容易にします。
私たちの研究では、グラフ損失関数を使用した戦略的なサンプリングを通じて、根底にある因果関係を識別するアクティブ ラーニング アプローチを導入しています。
この方法は、はるかに大きな化学空間を表すほとんどの情報をコード化できるデータセットの最小のサブセットを特定します。
次に、特定された因果関係を利用して体系的な介入を実施し、モデルがこれまで遭遇したことのない化学空間内で設計タスクを最適化します。
私たちの実装は、大きな双極子モーメントを持つ分子を見つけるという特定の設計タスクのための QM9 量子化学データセットに焦点を当てていましたが、インテリジェントなサンプリングと介入によって駆動される私たちのアクティブな因果学習アプローチは、分子、材料の設計、発見におけるより広範な応用の可能性を秘めています。
。

要約(オリジナル)

Predicting and enhancing inherent properties based on molecular structures is paramount to design tasks in medicine, materials science, and environmental management. Most of the current machine learning and deep learning approaches have become standard for predictions, but they face challenges when applied across different datasets due to reliance on correlations between molecular representation and target properties. These approaches typically depend on large datasets to capture the diversity within the chemical space, facilitating a more accurate approximation, interpolation, or extrapolation of the chemical behavior of molecules. In our research, we introduce an active learning approach that discerns underlying cause-effect relationships through strategic sampling with the use of a graph loss function. This method identifies the smallest subset of the dataset capable of encoding the most information representative of a much larger chemical space. The identified causal relations are then leveraged to conduct systematic interventions, optimizing the design task within a chemical space that the models have not encountered previously. While our implementation focused on the QM9 quantum-chemical dataset for a specific design task-finding molecules with a large dipole moment-our active causal learning approach, driven by intelligent sampling and interventions, holds potential for broader applications in molecular, materials design and discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google