用于分子生成的开源分子处理流水线
Open-Source Molecular Processing Pipeline for Generating Molecules
AI总结：
针对分子生成模型非专家难用的问题，该研究将开源基础设施引入DeepChem库，提供MolGAN和Normalizing Flows的高质量PyTorch实现，构建稳健可复用的分子生成流水线，性能与以往工作相当。
摘要：
分子生成模型在计算化学中展现出巨大潜力，但非专家仍难以使用。为此，我们将易于构建生成式分子模型的开源基础设施引入广泛使用的DeepChem库（Ramsundar等，2019），旨在创建稳健且可复用的分子生成流水线。具体而言，我们添加了Molecular Generative Adversarial Networks（MolGAN，分子生成对抗网络，Cao和Kipf，2022）和Normalizing Flows（归一化流，Papamakarios等，2021）的高质量PyTorch实现（Paszke等，2019）。我们的实现表现出与以往工作（Kuznetsov和Polykovskiy，2021；Cao和Kipf，2022）相当的强劲性能。
英文摘要：
Generative models for molecules have shown considerable promise for use in computational chemistry, but remain difficult to use for non-experts. For this reason, we introduce open-source infrastructure for easily building generative molecular models into the widely used DeepChem [Ramsundar et al., 2019] library with the aim of creating a robust and reusable molecular generation pipeline. In particular, we add high quality PyTorch [Paszke et al., 2019] implementations of the Molecular Generative Adversarial Networks (MolGAN) [Cao and Kipf, 2022] and Normalizing Flows [Papamakarios et al., 2021]. Our implementations show strong performance comparable with past work [Kuznetsov and Polykovskiy, 2021, Cao and Kipf, 2022].
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
