В НИУ ВШЭ узнали, как собрать «идеальную» молекулу лекарства

Исследователи НИУ ВШЭ улучшили метод обучения генеративных потоковых нейросетей (GFlowNets) для работы с неструктурированными задачами.
GFlowNets используются для поиска белков, лекарств и оптимизации транспортных систем.
Сеть стремится решить задачу так, чтобы получить максимальный приз.
GFlowNets используют две вероятностные модели: прямую и обратную.
Ученые НИУ ВШЭ нашли способ оптимизировать обратную модель с помощью метода Trajectory Likelihood Maximization (TLM).
После внедрения TLM функция вознаграждения стала сложнее, но система поиска стала быстрее и эффективнее.
Авторы исследования уверены, что их работа поможет специалистам в различных областях, таких как поиск лекарств, разработка материалов и тонкая настройка языковых моделей.