XiaoMi-AI文件搜索系统
World File Search SystemReaxys
为化学家提供 AI 增强型逆合成解决方案
Reaxys Predictive Retrosynthesis 是与 Pending.AI 的 Mark Waller 博士合作开发的，它利用尖端的深度学习技术和来自最大化学反应数据库的高质量反应数据来生成科学上可靠的预测。
2024 年 4 月月度总结报告.pdf
• 2024 年 4 月 18 日，DoP 官员访问了 NIPER 海得拉巴，以审查其永久校园的建设进展情况。 • NIPER 海得拉巴于 2024 年 4 月 22 日庆祝世界地球日。 • NIPER 加尔各答于 2024 年 4 月 15 日邀请就 Ansys 软件在高级医疗保健模拟中的应用进行演讲。 • NIPER 加尔各答于 2024 年 4 月 15 日就 Knimbus 在线图书馆解决方案 (Knimbus mLibrary Demo) 进行了演示。 • NIPER 加尔各答于 2024 年 4 月 18 日为 NIPER 组织了一场关于 Reaxys 访问科学直接期刊的培训课程，以加速您的研究。 • NIPER 莫哈里于 2024 年 4 月 1 日至 5 日进行了为期一周的 HPLC 实践培训。 • NIP ER 莫哈里于 2024 年 4 月 12 日为该学院的女学生进行了一场特别的领导力讲座。 • NIPER 莫哈里于 4 月 16 日举办了一场关于“HDAC 抑制剂：药物发现案例研究”的研讨会，2024 年。 • NIP ER Mohali 于 2024 年 4 月 19 日举办了关于“PROT AC 用于靶向降解凋亡信号调节激酶 1 (ASK 1) - 我们治疗 NAFLD I NASH 的方法”的研讨会。 • NIPER Mohali 于 2024 年 4 月 24 日举办了关于“寻找新的抗炎和抗结核化学型：可持续的药物化学方法”的研讨会。 • NIPER Guwahati 于 2024 年 4 月 2 日至 3 日组织了关于计算机辅助药物设计实践研讨会。 • NIPER Guwahati 于 2024 年 4 月 10 日组织了关于“下一代测序。原理、化学和分析”的实践培训课程。 • NIPER-Hajipur 于 2024 年 4 月 16 日组织了“关于人工智能及其在临床肿瘤学领域的应用的科学讲座”。
对试图从文本挖掘文献食谱中的机器学习材料综合见解的尝试的批判性反映
预测性逆合合成一直是有机化学的长期目标，13 - 16，使用深神网络取得了明显的进步。17,18通过大量的有机反应（例如Scifinder 19和Reaxys）的商业数据库的可用性，这些机器学习成功得到了实现。目前尚不存在20种无机材料合成反应的商业数据库。但是，由于文献中已经有成千上万的成功材料综合报告，因此发表论文的文本挖掘合成食谱可以提供广泛的专家知识来源，以培训机器学习模型，以实现预测性无机材料合成。在2016年至2019年之间，I‡是劳伦斯·伯克利国家实验室Gerbrand Ceder研究小组的博士后研究员，并参加了31 782固体合成食谱的文本挖掘21和35 675基于解决方案的合成食谱22。在这里，我在尝试构建机器学习（ML）模型以从该数据集构建机器学习模型（ML）模型的回顾性帐户。顺便说一句，这个故事遵循Gartner的“炒作周期”，23，它通过（1）技术触发，（2）inded期望的峰值，（3）幻灭谷，（4）启蒙运动的斜坡，以及（5）生产力的平稳。这里的观点是我自己的，不一定是我的合着者在文本挖掘出版物中共享的。在这里，我们首先审查用于构建文本开采食谱数据库的自然语言处理策略。然后，我们根据数据科学的“ 4 Vs”评估了数据集，并表明数据集的数量，品种，真实性和速度的限制。尽管其中一些局限性源于文本挖掘中的技术问题，但我们认为这些局限性主要源于化学家过去如何探索和合成材料的社会，文化和人为偏见。24我们表明，在此文本挖掘数据集上训练的机器学习模型成功地捕获了化学家对材料合成的看法，但并没有对如何最好地合成新颖材料的实质性新的指导见解。另一方面，我们发现该数据集中最有趣的食谱实际上是异常的配方，即在固态合成中违反常规直觉的配方。这些异常的食谱也相对罕见，这意味着它们在uence回归或分类模型中不会显着。通过手动检查一些异常食谱，我们就固态反应的进行方式以及如何选择增强反应动力学和靶材料的选择性的前体提出了一个新的机械假设。这一假设推动了一系列高可见性的后续研究，25 - 28在经验上验证了我们假设的机制，这些机制是从文本开采的文献数据集中收集的。