ترجمه فارسی مقاله MolTRES: بهبود یادگیری نمایش زبان شیمیایی برای پیش‌بینی خواص مولکولی

چکیده

Chemical representation learning has gained increasing interest due to the limited availability of supervised data in fields such as drug and materials design. This interest particularly extends to chemical language representation learning, which involves pre-training Transformers on SMILES sequences — textual descriptors of molecules. Despite its success in molecular property prediction, current practices often lead to overfitting and limited scalability due to early convergence. In this paper, we introduce a novel chemical language representation learning framework, called MolTRES, to address these issues. MolTRES incorporates generator-discriminator training, allowing the model to learn from more challenging examples that require structural understanding. In addition, we enrich molecular representations by transferring knowledge from scientific literature by integrating external materials embedding. Experimental results show that our model outperforms existing state-of-the-art models on popular molecular property prediction tasks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری بازنمایی شیمیایی به دلیل محدود بودن داده های نظارت شده در زمینه هایی مانند طراحی مواد مخدر و مواد ، علاقه فزاینده ای کسب کرده است.این علاقه به ویژه در یادگیری بازنمایی زبان شیمیایی گسترش می یابد ، که شامل ترانسفورماتورهای قبل از آموزش در توالی های لبخند-توصیف کننده های متنی مولکول ها است.علیرغم موفقیت آن در پیش بینی املاک مولکولی ، شیوه های فعلی اغلب به دلیل همگرایی زودرس منجر به افزایش بیش از حد و مقیاس پذیری محدود می شود.در این مقاله ، ما یک چارچوب یادگیری بازنمایی زبان شیمیایی جدید به نام Moltres را برای رسیدگی به این موضوعات معرفی می کنیم.Moltres شامل آموزش ژنراتور تبعیض آمیز است و به مدل اجازه می دهد تا از نمونه های چالش برانگیزتری که نیاز به درک ساختاری دارند ، بیاموزد.علاوه بر این ، ما با انتقال دانش از ادبیات علمی با ادغام مواد خارجی ، بازنمودهای مولکولی را غنی می کنیم.نتایج تجربی نشان می دهد که مدل ما از مدلهای پیشرفته موجود در کارهای پیش بینی خاصیت مولکولی محبوب بهتر است.