文摘

Time-Frequency-Like表示和转发设计分子设计使用信号处理和机器学习

作者(年代):谢尔盖汉

分子数据的积累等量子力学(QM)理论密度泛函理论(DFTQM)允许机器学习(毫升)加快新发现的分子,药物,和材料。模型,结合QM和ML (QMML)已被证明是非常有效的交付QM以毫升速度精度。在本文中,我们表明,通过合并众所周知的信号处理(SP)技术(如短时傅里叶变换、连续小波分析和能量)到QMML管道,我们可以获得一个强大的机械(QMSPML)可用于分子表示,可视化,提出设计。