具有所需特性的分子的合理设计是化学中长期存在的挑战。生成神经网络已经成为一种从学习分布中采样新分子的强大方法。
在这里，柏林工业大学的研究人员提出了一个条件生成神经网络，用于具有特定化学和结构特性的 3d 分子结构。这种方法与化学键合无关，并且能够从条件分布中对新分子进行有针对性的采样，即使在参考计算很少的领域也是如此。
研究人员通过生成具有特定基序或组成的分子，发现特别稳定的分子，并联合针对训练方案之外的多种电子特性，证明了该方法在逆向设计中的实用性。
该研究以「Inverse design of 3d molecular structures with conditional generative neural networks」，于 2022 年 2 月 21 日发布在《Nature Communications》。
论文链接：https://www.nature.com/articles/s41467-022-28526-y

内容中包含的图片若涉及版权问题，请及时与我们联系删除