TSDiff

优于3D模型，成功率达90.6%，基于扩散的生成式AI从2D分子图探索过渡态

TSDiff 预测分布的概念说明。（来源：论文）编辑 | X过渡态（TS）探索对于阐明化学反应机制和动力学建模至关重要。最近，机器学习模型在 TS 几何形状（geometries）预测方面表现出了卓越的性能。然而，它们通常需要反应物和产物的 3D 构象，并以其适当的方向作为输入，这需要大量的努力和计算成本。近日，韩国科学技术院（KAIST）的研究人员提出了一种基于随机扩散方法的生成方法，即 TSDiff，用于仅从 2D 分子图预测 TS 几何形状。TSDiff 在准确性和效率方面均优于现有的具有 3D 几何形状的

1/11/2024 5:27:00 PM

ScienceAI

资讯热榜

Mac也能跑Qwen3，一文看懂本地部署qwen 3配置要求 Ollama 支持全线的 Qwen 3 模型 Qwen3正式发布，优化编码与代理能力，强化MCP支持引领AI新潮流 AI视频资讯早读！7个产品更新+8个案例精选小米开源“Xiaomi MiMo”大模型：为推理而生，以 7B 参数超越 OpenAI o1-mini 小米首个推理大模型Xiaomi MiMo开源 DeepWiki：AI驱动的GitHub代码库百科全书正式亮相性能与效率的双赢:Qwen3横空出世，MoE架构大幅降低部署成本

标签云

人工智能 OpenAI AIGC AI ChatGPT AI绘画 DeepSeek 模型数据机器人谷歌大模型 Midjourney 智能用户开源学习 GPT 微软 Meta 图像 AI创作技术论文 Gemini Stable Diffusion 马斯克算法蛋白质芯片代码生成式英伟达腾讯神经网络研究计算 Anthropic 3D Sora AI for Science AI设计机器学习开发者 GPU AI视频华为场景人形机器人预测百度苹果伟达 Transformer 深度学习 xAI Claude 模态字节跳动大语言模型搜索驾驶具身智能神器推荐文本 Copilot LLaMA 算力安全视觉视频生成训练干货合集应用大型语言模型亚马逊科技智能体 AGI DeepMind