Обучение с подкреплением значительно повышает эффективность ИИ для моделирования лекарств

Российские исследователи выяснили, что эффективность работы генеративных потоковых сетей (GFlowNets) может быть существенно увеличена, если использовать классические алгоритмы обучения с подкреплением. Например, эта методика позволила сгенерировать на 30% больше качественных молекул, способных взаимодействовать с человеческим белком sEH, связанным с гипертонией.

Генеративные потоковые сети представляют собой особый класс методов машинного обучения, применяемых в различных областях, таких как обучение языковых моделей, задачи комбинаторной оптимизации, моделирования молекул лекарств и других сложных задач. Ученые сравнили это с конструктором Лего, где система предсказывает, какие детали использовать для построения объекта.

ТАСС