Иркутский государственный университет путей сообщения
«Источник: ТАСС»
Исследователи из России выяснили, что скорость и эффективность работы так называемых генеративных потоковых сетей (GFlowNets), способных ускорять разработку новых лекарств и решать задачи комбинаторной оптимизации, можно значительным образом повысить, если применять для их настройки классические алгоритмы обучения с подкреплением. Пресс-служба НИУ ВШЭ сообщила об этом.
"Мы показали, что классические алгоритмы обучения с подкреплением работают сравнимо и даже эффективнее известных современных подходов, разработанных специально для обучения этих моделей. Так, в рамках задачи моделирования молекул лекарств с заданными свойствами за время обучения нашего метода было сгенерировано на 30% больше высококачественных молекул, чем у существующих методов", - пояснил Алексей Наумов научный руководитель Центра искусственного интеллекта НИУ ВШЭ, пресс-служба вуза приводит его слова.
Как обратили внимание российские ученые, такая постановка задачи, очень похожа на то, как функционируют различные нейросети, использующие классические алгоритмы обучения с подкреплением. Их это натолкнуло на мысль, что такие подходы можно интегрировать в GFlowNets без внесения существенных серьезных модификаций и изменений для повышения эффективности обучения и работы этих алгоритмов.
Так называемые генеративные потоковые сети представляют собой особый класс методов машинного обучения, который используется при обучении языковых моделей, решении задач комбинаторной оптимизации, при моделировании молекул лекарств с заданными свойствами и для решения других сложных задач, как объясняют ученые.
"Устройство этих моделей можно описать на примере конструктора лего. По недостроенному объекту и набору доступных деталей система будет пытаться предсказать, куда и с какой вероятностью нужно добавить деталь, чтобы мы могли с большой вероятностью собрать хороший макет машины или корабля", - пояснил Никита Морозов научный сотрудник Института искусственного интеллекта и цифровых наук НИУ ВШЭ, пресс-служба вуза приводит его слова.
Ученые внедрили один из подобных подходов, M-DQN, в систему ИИ, предназначенную для подбора структуры молекул, способных соединяться с человеческим белком sEH, который связан с развитием гипертонии. Как показали последующие расчеты, новая версия системы ИИ в некоторых случаях значительно эффективнее справлялась с этой задачей по сравнению с другими генеративными потоковыми сетями, построенными на базе специализированных подходов для обучения. Исследователи подытожили, что говорит это о высокой перспективности применения подобных вариаций GFlowNets на практике.
#Новости_России
#ИрГУПС