Programinė kompiuterinės technologijos taikymas iš medicininės naujųjų vaistų tyrimo srities į LLM’us hallucinacijų sumažinimui

2024-12-05

Revoliucija GitHub projektai: Automatinis vaistų paieškos procesas su dirbtiniu intelektu (AI)

Dirbtinio intelekto (AI) integracija į medicininį naujųjų vaistų tyrimą revolucionoje transformuoja farmacinę pramone. Atviro kodo projektai GitHub platformoje vaidina svarbų vaidmenį. Šiame dokumente pateikiami išsami informacija apie kai kuruosius inovatyviausius projektus, kurie skatina automatinę vaistų paiešką su AI.

DeepChem: Atidaras platforma giliam mokinimui cheminėje pramonėje

DeepChem yra pirmaujanti atviro kodo biblioteka, kuri leidžia pasinaudoti giliu mokymu cheminėse programose. Jame įeina įrankiai:

Advertising

Dankomg DeepChem paliaujantį sąsajos interaktyvumą, tyrinėtojai gali įgyvendinti sudėtingus AI modelius be gilių programavimo žinių. Tai padidina naujų vaistų atradimo greitį ir skatina pramonės inovacijas.

MoleculeNet: Benchmark'as AI cheminėje srityje

MoleculeNet yra išsamus benchmark'ų sistema, kurią sukūrėme specialiai dirbtiniam mokymui chemijoje. Jame pateikiama:

Teikiant vienodus benchmark'us, MoleculeNet padidina skirtingų AI modelių palygintį ir taip skatina progresą vaistų paieškoje.

ATOM Modeling PipeLine (AMPL): Praplatus naujųjų vaistų atradimas

Projektas ATOM Modeling PipeLine, kurį organizuoja ATOM konsorciumas, siekia pagrebti naujųjų vaistų kūrimą su dirbtiniu mokymu. AMPL suteikia:

Su AMPL tyrinėtojai gali efektyviai kurti sudėtingus modelius, todėl naujų vaistų atradimas vyksta greičiau ir mažiau laiko reikia.

Chemprop: Molekulinių savybių prognozavimas su giliu mokymu

Chemprop naudoja grafines neuronines망es, siekdamas prognozuoti molekulines savybes. Jame įeina:

Chemprop pasirodė puikiame renginyje ir yra vertinga priemonė AI pagrįstai chemijoje.

DeepPurpose: Universalus instrumentų rinkinys naujųjų vaistų kūrimui

DeepPurpose yra išsamus giliųjų mokymų instrumentų rinkinys vaistų tyrimams. Jame įeina:

Dėl savo universalumo, DeepPurpose padeda tyrinėtojams greitai ir efektyviai identifikuoti naujus terapinius kandidatus.

OpenChem: Specialus giliųjų mokymų framework'as cheminėms programoms

OpenChem yra sukurtas specialiai chemijai, o giliųjų mokymų framework'as. Jame įeina:

OpenChem skatina naujų chemijos AI metodų plėtrą ir padeda vaistų paieškos greitinti.

Atviro kodo bendruomenės GitHub platformoje kartu su projektuojant automatinę vaistų paieškos procesą, galime iššūkius įveikti.Kombinuodami AI ir chemiją, atsidaro naujos galimybės efektyviai ir tiksliau kurti terapinius sprendimus. Šios inovacijos turi potencialą nešaubamai transformuoti medicinos ateitį.

Advertising

Programinė kompiuterinės technologijos taikymas iš naujųjų vaistų tyrimo srities į AI modelių destilaciją

Iš automatinių naujųjų vaistų paieškos projektų pasiekimai, kuriuos panaudojame AI modelio destilijavimo procese. Nors šie du skirsiai atrodytų skirtingi, jie turi bendrus principus ir iššūkius, dėl kurių galima juose pasinaudoti.

Naudingumas taikymo

Automatinis vaistų paieškos projektų taikymas AI modelio destilijavimuui yra naudingas, nes:

Kaip galima taikyti

1. Grafinės neuroninės망es (GNN) struktūros analizei

Medicinos naujųjų vaistų paieškoje grafinės neuroninės망es naudojamos analizuoti sudėtingas molekulės struktūras ir prognozuoti jų savybes. Šios technologijos gali būti taikomos AI modelio destilijavimui, kad suprastų didelių modelių struktūrą ir ekstrahuotų svarbius parametrus mažesiam modelIAMS.

2. Perdavimas ir ypatybėlių ekstraktas

Projektų pavyzdys DeepChem arba Chemprop naudoja perdavimą, kad pasinaudotų jau esančių duomenų rinkinių žinojimu. Panašiai destilijavimo metu didelis priešistorinis modelis gali būti naudojamas kaip pradmeninė reikalinga dalis, iš kurios ekstrahuojamos svarbiausios ypatybės mažesiam modelIAMS.

3. Multi-task learning ir daugiatūrės modelių optimizacija

Projektų pavyzdys MoleculeNet naudoja multi-task learning, kad mokytų modelius, kurie gali atlikti keletą užduočių vienu metu.

4. Optimizacijos technologijos iš vaistų paieškos srities

Vaistų paieškos optimizavimo principai, pavyzdžiui, hiperparametrai patikslinami arba evokucinės algoritmų panaudojimas, gali būti taikomi destiliuotų modelių efektyvumui padidinant.

5. Duomenų padidėjimo ir sintezinių duomenų generavimas

Projektai DeepPurpose naudoja duomenų padidėjimą, kad sumažintų vaistų paieškos poveikį. Panašius principus galima taikyti destilijos procesui, ypač jei ribotas duomenų kiekis.

Praktiškai įgyvendinamos veiklos

Integruojant vaistų paieškos metodus į AI modelių destilijavimą, atsidaro nauji būdai efektyviosioms ir mažesniems modeliams pasiekti.

Interdiscipulininis požiūris

Tai yra naujų technologijų taikymų pavyzdys. Pačius principus galima pritaikyti įvairiose srityse.

Taip pat galite susidaryti savo modelį

Šiame straipsnyje apibėrinome metodą, kaip su Hugging Face ir Python programa gali būti sukurta, kad modelis atspėtų netiksliai. Tai padeda sumažinti hallucinacijas.

Priešingai, kokia yra geriausia forma?

Štai kodėl šis straipsnis skiriasi nuo kitų straipsnių: Kai kurioms technologijoms jau priklauso atviro kodo bendruomenė. Taigi, kaip paieškoti informacijos apie AI programinę įrangą?

Copyright ToNEKi Media UG (haftungsbeschränkt)

"Transfer