اکسپرس 24
ترجمه فارسی مقاله روش مبتنی بر باقیمانده گراف برای پیش‌بینی خواص مولکولی

ترجمه فارسی مقاله روش مبتنی بر باقیمانده گراف برای پیش‌بینی خواص مولکولی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Graph Residual based Method for Molecular Property Prediction
عنوان مقاله به فارسی روش مبتنی بر باقیمانده گراف برای پیش‌بینی خواص مولکولی
نویسندگان Kanad Sen, Saksham Gupta, Abhishek Raj, Alankar Alankar
فرمت مقاله انگلیسی PDF
تعداد صفحات 35
دسته بندی موضوعات Quantitative Methods,Machine Learning,روش های کمی , یادگیری ماشین ,
توضیحات Submitted 27 July, 2024; originally announced August 2024. , Comments: 30 pages, 12 figures, 6 tables
توضیحات به فارسی ارسال شده در 27 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 30 صفحه ، 12 شکل ، 6 جدول

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,400,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Property prediction of materials has recently been of high interest in the recent years in the field of material science. Various Physics-based and Machine Learning models have already been developed, that can give good results. However, they are not accurate enough and are inadequate for critical applications. The traditional machine learning models try to predict properties based on the features extracted from the molecules, which are not easily available most of the time. In this paper, a recently developed novel Deep Learning method, the Graph Neural Network (GNN), has been applied, allowing us to predict properties directly only the Graph-based structures of the molecules. SMILES (Simplified Molecular Input Line Entry System) representation of the molecules has been used in the present study as input data format, which has been further converted into a graph database, which constitutes the training data. This article highlights the detailed description of the novel GRU-based methodology to map the inputs that have been used. Emphasis on highlighting both the regressive property as well as the classification-based property of the GNN backbone. A detailed description of the Variational Autoencoder (VAE) and the end-to-end learning method has been given to highlight the multi-class multi-label property prediction of the backbone. The results have been compared with standard benchmark datasets as well as some newly developed datasets. All performance metrics which have been used have been clearly defined as well as their reason for choice. Keywords: GNN, VAE, SMILES, multi-label multi-class classification, GRU

چکیده به فارسی (ترجمه ماشینی)

پیش بینی املاک مواد اخیراً در سالهای اخیر در زمینه علوم مادی مورد توجه بالایی بوده است.مدل های مختلف مبتنی بر فیزیک و یادگیری ماشین قبلاً توسعه یافته اند که می توانند نتایج خوبی داشته باشند.با این حال ، آنها به اندازه کافی دقیق نیستند و برای کاربردهای مهم ناکافی هستند.مدل های یادگیری ماشین سنتی سعی می کنند خواص را بر اساس ویژگی های استخراج شده از مولکول ها پیش بینی کنند ، که بیشتر اوقات به راحتی در دسترس نیستند.در این مقاله ، یک روش یادگیری عمیق جدید ، شبکه عصبی نمودار (GNN) ، به کار رفته است ، و به ما امکان می دهد خواص را مستقیماً فقط ساختارهای مبتنی بر نمودار مولکول ها پیش بینی کنیم.لبخند (سیستم ورودی خط ورودی مولکولی ساده) بازنمایی مولکول ها در مطالعه حاضر به عنوان قالب داده ورودی مورد استفاده قرار گرفته است ، که بیشتر به یک پایگاه داده نمودار تبدیل شده است ، که داده های آموزش را تشکیل می دهد.در این مقاله توضیحات مفصلی از روش جدید مبتنی بر GRU برای نقشه برداری ورودی هایی که استفاده شده است ، برجسته شده است.تأکید بر برجسته کردن هر دو خاصیت رگرسیون و همچنین خاصیت مبتنی بر طبقه بندی ستون فقرات GNN.توضیحات مفصلی از AutoEncoder متغیر (VAE) و روش یادگیری پایان به پایان برای برجسته کردن پیش بینی خاصیت خاصیت چند طبقه از ستون فقرات ارائه شده است.نتایج با مجموعه داده های معیار استاندارد و همچنین برخی از مجموعه داده های تازه توسعه یافته مقایسه شده است.تمام معیارهای عملکردی که مورد استفاده قرار گرفته اند به وضوح تعریف شده اند و همچنین دلیل انتخاب آنها.کلمات کلیدی: GNN ، VAE ، لبخند ، طبقه بندی چند طبقه چند طبقه ، GRU

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.