The Clean Energy Projet - Phase 2

[[AF] fansyl]

Le projet a sorti une publication:

http://www.worldcommunitygrid.org/about_us/viewNewsArticle.do?articleId=450

Récapitulatif
A new paper from the Clean Energy Project team reveals that they can now use multi-layer artificial neural networks to predict the electrical properties of novel molecules without actually simulating the entire molecule. This advance was made possible by the enormous number of simulations done for the Clean Energy Project, and promises to enable screening of many more molecules than the team was able to address in their previous work.


Paper Title:
"Learning from the Harvard Clean Energy Project: The Use of Neural Networks to Accelerate Materials Discovery"

Published in journal:
Advanced Functional Materials

Authors:
Edward O. Pyzer-Knapp, Kewei Li and Alan Aspuru-Guzik

Layman Abstract:

In this paper Edward, from Harvard's Clean Energy Project, shows how techniques from the field of machine learning can be used to speed up materials screening. By using a special class of neural networks, known as multi-layer perceptrons, he is able to predict the properties of a molecule to a high degree of accuracy before any calculations are performed. They show how using this method one can eliminate almost 99% of a screening library or molecules without having to calculate it. By eliminating the molecules unlikely to be useful, they greatly increasing the range of molecules that can be considered by the Clean Energy Project.

Technical Abstract:

Here, the employment of multilayer perceptrons, a type of artificial neural network, is proposed as part of a computational funneling procedure for high-throughput organic materials design. Through the use of state of the art algorithms and a large amount of data extracted from the Harvard Clean Energy Project, it is demonstrated that these methods allow a great reduction in the fraction of the screening library that is actually calculated. Neural networks can reproduce the results of quantum-chemical calculations with a large level of accuracy. The proposed approach allows to carry out large-scale molecular screening projects with less computational time. This, in turn, allows for the exploration of increasingly large and diverse libraries.

Access to Paper:

To view the paper, please click here.

[Maurice Goulois]

Google trad améliorée
---
14 octobre 2015

Récapitulatif
Un nouveau document de l'équipe projet d'énergie propre (CEP) révèle qu'ils peuvent maintenant utiliser des réseaux de neurones artificiels multicouches pour prédire les propriétés électriques de nouvelles molécules sans simuler effectivement la molécule entière. Cette avancée a été rendue possible par l'énorme quantité de simulations effectuées pour le CEP, et promet de permettre le dépistage de beaucoup plus de molécules que l'équipe était en mesure de prendre en compte dans leur travail précédent.


Titre de la communication:
"Apprendre du projet Clean Energy Project de Harvard: L'utilisation des réseaux de neurones pour accélérer la découverte de matériaux"

Publié dans la revue:
Advanced Functional Materials

Auteurs:
Edward O. Pyzer-Knapp, Kewei Li et Alan Aspuru-Guzik

Résumé profane:

Dans cet article, Edward, du projet CEP de Harvard, montre comment les techniques du domaine de l'apprentissage machine peuvent être utilisées pour accélérer le contrôle des matériaux. En utilisant une classe spéciale de réseaux de neurones, appelés perceptrons multicouches, il est capable de prédire les propriétés d'une molécule à un haut degré de précision avant que des calculs soient effectués. Ils montrent comment, en utilisant cette méthode, on peut éliminer près de 99% du dépistage d'une bibliothèque, ou de molécules, sans avoir à calculer. En éliminant les molécules peu susceptibles d'être utiles, ils ont beaucoup augmenté la gamme de molécules qui peuvent être considérées par le projet CEP.

Résumé technique:

Ici, l'emploi des perceptrons multicouches, un type de réseau de neurones artificiels, est proposé dans le cadre d'une procédure d'entonnoir de calcul pour la conception de matériaux organiques à haut débit. Grâce à l'utilisation de l'état de l'art des algorithmes et une grande quantité de données extraites du projet CEP de Harvard, il est démontré que ces méthodes permettent une grande réduction de la fraction de la bibliothèque de dépistage qui est effectivement calculée. Les réseaux de neurones peuvent reproduire les résultats des calculs de chimie quantique avec un grand niveau de précision. L'approche proposée permet de réaliser des projets de dépistage moléculaire à grande échelle avec moins de temps de calcul. Ceci, à son tour, permet l'exploration de bibliothèques de plus en plus importantes et diversifiées.

Accès au document:

Pour consulter le document, s'il vous plaît cliquez ici.

[[AF>Libristes>Jip] Elgrande71]

Voici la version que je vous propose

---
15 octobre 2015

Récapitulatif

Un nouveau document de l'équipe du projet Clean Energy ( Energie Propre ) révèle qu'ils peuvent maintenant utiliser des réseaux de neurones artificiels multicouches pour prédire les propriétés électriques de nouvelles molécules sans simuler réellement la molécule entière. Cette avancée a été rendue possible par un très grande nombre de simulations effectuées pour le CEP, et promet de permettre le dépistage de beaucoup plus de molécules que l'équipe était en mesure d'évaluer dans leur travail précédent.


Titre de la communication:
"Apprendre du projet Clean Energy Project de Harvard: L'utilisation des réseaux de neurones pour accélérer la découverte de matériaux"

Publié dans la revue:
Advanced Functional Materials

Auteurs:
Edward O. Pyzer-Knapp, Kewei Li et Alan Aspuru-Guzik

Résumé profane:

Dans cet article, Edward, du projet CEP de Harvard, montre comment les techniques du domaine de l'apprentissage machine peuvent être utilisées pour accélérer le contrôle des matériaux. En utilisant une classe spéciale de réseaux de neurones, appelés perceptrons multicouches, il est capable de prédire les propriétés d'une molécule à un haut degré de précision avant que des calculs soient effectués. Ils montrent comment, en utilisant cette méthode, on peut éliminer près de 99% du criblage d'une banque, ou de molécules, sans avoir à le calculer. En éliminant les molécules peu susceptibles d'être utiles, ils ont beaucoup augmenté la gamme de molécules qui peuvent être considérées par le projet CEP.

Résumé technique:

Ici, l'emploi des perceptrons multicouches, un type de réseau de neurones artificiels, est proposé dans le cadre d'une méthode de l'entonnoir pour la conception de matériaux organiques à haut débit. Grâce à l'utilisation d'algorithmes de pointe et à une grande quantité de données extraites du projet CEP de Harvard, il est démontré que ces méthodes permettent de réduire considérablement la fraction du criblage de la banque qui est effectivement calculée. Les réseaux de neurones peuvent reproduire les résultats des calculs de chimie quantique avec un grand niveau de précision. L'approche proposée permet de réaliser des projets de criblage moléculaire à grande échelle nécessitant moins de temps de calcul. En retour, cela permet l'exploration de banques de plus en plus importantes et diversifiées.

Accès au document:

Pour consulter le document, s'il vous plaît cliquez ici.

[ousermaatre]

merci modifs effectuées.