Gráfkonvolúciós hálók tervezése és alkalmazása molekulaszerkezetek vizsgálatában
Az utóbbi években a gépi tanulás robbanásszerű fejlődésével egyre több tudományágban jelent meg a deep learning (mélytanulás) és használják azóta az eszköztárát különböző problémák megoldására kezdve a gépi látástól az önvezető autókon át az ajánlórendszerekig.
Azonban a mélytanulás alkalmazása gráfokon nem triviális a gráfok egyedi szerkezete miatt. A gráfoknak egy alkalmazási területe a szerkezeti kémia. Itt gráfokkal modelleznek molekulaszerkezeteket és vizsgálják a gráf és a molekula tulajdonságai közötti összefüggéseket. A gráf pontok (például atomok) és élek (például az atomok közötti kötések) halmaza. Megfigyelték, hogy a molekulák fizikai és kémiai tulajdonságai és a kémiai képletük topológiai szerkezete között összefüggés van (pl. szénhidrogén vegyületek szerkezeti képlete és forráspontja között). Így, ha ismerjük egy molekula topológiai szerkezetét, következtethetünk annak tulajdonságaira.
Kutatásom célja olyan gráfkonvolúciós hálózatok vizsgálata, melyeknek alkalmazási területe a szerkezeti kémia. Megvizsgálom a szerkezeti kémiában ismert különböző molekula reprezentációkat, bemutatom a gráf alapú modellek előnyeit és hátrányait, különös tekintettel a kétdimenziós és a háromdimenziós megvalósításokra. A háromdimenziós gráfkonvolúciós háló több információt tartalmaz, mint a kétdimenziós reprezentáció, hiszen rendelkezik az atomok térbeli koordinátáival. Dolgozatom a háromdimenziós megoldásra fókuszál. A gráfkonvolúciós hálózatok segítségével megvizsgálom a gráf alapú háromdimenziós molekula szerkezeteket. Ezt a modellt egészítem ki egy saját magam által tervezett és megvalósított autoencoderrel, melynek célja a hálózat optimalizálása. Az algoritmus célja háromdimenziós molekulaszerkezetekből molekulatulajdonságok becslése, ugyanis ezek általában időigényes kvantumkémiai számolást igényelnek. Megmutatom, hogy a neurális hálózat segítségével gyorsabban el lehet végezni ezeket a számolásokat a pontosság megtartásával. Valós kémiai adatokon tesztelem az algoritmust, elemzem az így kapott eredményeket.
szerző
-
Pelle Mátyás
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc)
konzulens
-
Dr. Szegletes Luca
egyetemi adjunktus, Automatizálási és Alkalmazott Informatikai Tanszék