Is novelty predictable?

Clara Fannjiang, Jennifer Listgarten
[UC Berkeley]

如何在有理性地控制失败风险的情况下超越当前知识的边界

  • 动机:利用基于机器学习的设计在科学领域中已经取得了一定的成果,特别是在小分子、材料和蛋白质的设计方面。这对药物开发、制造、塑料降解和碳封存等方面具有社会意义。然而,在利用机器学习设计新目标时,面临着一个基本挑战:如何在有理性地控制失败风险的情况下超越当前知识的边界。本文探讨如何在这两个极端之间取得有用的平衡。
  • 方法:主要关注蛋白质的设计,但也讨论了更广泛的基于机器学习的设计。作者探讨了利用机器学习在设计具有新属性值的蛋白质时的关键任务,包括学习可信任的模型、选择设计算法和不确定性量化。
  • 优势:提出了关键的挑战、策略和未开发领域,以解决利用机器学习设计具有新属性值的目标时所面临的困境。

探讨了利用机器学习设计具有新属性值的蛋白质的关键问题,包括学习可信任的模型、选择设计算法和不确定性量化等。

https://arxiv.org/abs/2306.00872 


图片
图片
图片