论文链接：
https://doi.org/10.1038/s43588-025-00783-z
代码链接：
https://github.com/Colin-Jay/NMRNet
数据集链接：
https://zenodo.org/records/13317524
APP链接：
https://ai4ec.ac.cn/apps/nmrnet
https://bohrium.dp.tech/apps/nmrnet001
Notebook链接：
https://bohrium.dp.tech/notebooks/38356712597
随着深度学习技术的不断睁开，实用缓解了标注数据稀缺的下场。以提升模子的精确性以及功能。每一每一未对于其通用性妨碍短缺验证，罗伟梁、模子个别需要思考晶体的周期性领土条件（PBC）。22411560277）、从而取患上高效的原子情景展现，中间高校根基营业费（20720220009）、提供妄想以及NMR数据；右侧上方：预磨炼模块，为增长NMR化学位移预料的钻研提供了珍贵的资源。深度学习措施，乐成实现为了对于液态以及固态NMR化学位移的高精度预料，
该项钻研下场的第一作者为我院硕士生徐凡杰，北京迷信智能钻研院与深势科技散漫研发了NMRNet框架，2202100一、并患上到北京迷信智能钻研院院长张林峰的反对于。并可能较好地处置份子妄想的重大性。该钻研在数据豫备阶段群集了却构数据以及核磁数据，钻研团队因循了Uni-Mol以前的预磨炼权重。刘云霈、以及深势科技算法钻研员么琳以及汪鸿帅。唐煜航以及邱江鹏对于展现图提出改善意见，相关下场以“Toward a unified benchmark and framework for deep learning-based prediction of nuclear magnetic resonance chemical shifts”为题宣告于Nature Computational Science。嘉庚立异试验室AI4EC Lab、化学化工学院、付飞、对于液体核磁部份，NMRNet经由运用差距形态的数据妨碍核磁预料使命的磨炼，钻研团队进一步经由对于试验数据的普遍整理以及验证，9216111三、可是，通讯作者为程俊教授以及汤富杰副教授、一些基于密度泛函实际（DFT）合计的机械学习模子已经在固态NMR预料中取患了确定的妨碍，固态以及善态零星的不同建模。2199115一、周耕墨以及王好汉对于相关使命妨碍深入品评辩说，NMRNet不光提供数值预料，构建了一个尺度化的基准数据集nmrshiftdb2-2024，特意是溶剂-溶质相互熏染，而且可能反对于单元素预料以及多元素同时预料。此外，经由预磨炼以及微调范式，当初现有的模子多针对于液态或者固态NMR妨碍繁多形态的预料，IKKEM（RD202310010一、萨本栋微米纳米迷信技术钻研院、展现出较高的功能以及精度。9247020一、钻研职员开始试验将其运用于NMR化学位移的预料，这些液态NMR模子个别漠视了份子间的相互熏染，可是，
克日，妨碍有把守的NMR化学位移预料；右侧下方：推理模块，散漫对于份子展现学习框架Uni-Mol中SE(3) Transformer架构的顺应性调解，该框架经由别致的SE(3) Transformer架构，NMRNet的预料服从在多个评估目的上均取患上优异展现，如图所示。将模子运用于多种实际使命。相助者搜罗嘉庚立异试验室副钻研员王锋，金昱丞、任英赫以及张佳慧实现为了论文封面妄想，国家做作迷信基金（2222530二、短缺验证了模子的高精度以及坚贞性。运用妄想信息妨碍自把守学习；右侧中部：微调模块，在多个基准数据会集，乐成实现为了对于液态、尽管已经有些钻研试验将份子能源学模拟以及合计散漫进来以抵偿这一缺少。为份子妄想剖析以及质料妄想提供了强有力的工具。
化学化工学院、
NMRNet框架展现图
左侧：数据豫备模块，徐伟鸿等提供运用开拓反对于。特意是图卷积收集（GCN）以及等变新闻传递神经收集（MPNN），在液态NMR预料中已经展现出比传统措施更高的精度，仍存在规模性。924613十二、邹竞祥、在固态NMR中，嘉庚立异试验室AI4EC Lab、还可运用于NMR谱峰归属以及构象判断等关键使命，
顶部