HochschulschriftMaschinelles LernenMolekulardesignTransformer durch BeispielEvolutionärer AlgorithmusAlgorithmusSoft ComputingMetaheuristikNatural ComputingTransformationProgrammierspracheModellierungDeepfake
Künstliche Intelligenz kann helfen, Moleküle zu optimieren und neue molekulare Strukturen zu entdecken. Diese Arbeit konzentriert sich auf die Anpassung aktueller KI-Methoden für verschiedene molekulare Repräsentation zur Generierung medikamentenähnlicher Moleküle. Der Schwerpunkt liegt dabei auf evolutionären Algorithmen und Transformern. Es zeigt sich, dass evolutionäre Algorithmen bei der Optimierung von Molekülen für mehrere Zieleigenschaften effektiv sind. Transformer als generative neuronale Modelle hingegen nutzen bekannte molekulare Datenbanken und ermöglichen die Generierung innovativer Moleküle. In dieser Arbeit werden neue Wege zur Verwendung von Transformern für räumliche und graphenbasierte Darstellungen aufgezeigt. Schließlich eröffnet die Kombination von Transformern und evolutionären Algorithmen neue Möglichkeiten für die Molekülgenerierung.
Artificial intelligence can help optimize molecules and discover new molecular structures. This work focuses on adapting state-of-the-art AI methods for various molecular representations to generate drug-like molecules. Emphasis is placed on evolutionary algorithms and transformers. Evolutionary algorithms are shown to be effective in optimizing molecules for multiple target properties. Transformers as generative neural models, on the other hand, leverage known molecular databases and enable the generation of novel molecules. This work demonstrates new ways of using transformers for spatial and graph representations. Finally, combination of transformers and evolutionary algorithms opens new possibilities for molecule generation.
