В пресс-службе НИУ ВШЭ сообщили, что ученые вуза обнаружили, что применение классических алгоритмов обучения с подкреплением значительно улучшает скорость и эффективность работы генеративных потоковых сетей (GFlowNets). Эти сети используются для ускоренной разработки лекарств и решения сложных задач оптимизации.
Научный руководитель центра искусственного интеллекта НИУ ВШЭ, Алексей Наумов, отметил, что новый подход позволил сгенерировать на 30% больше качественных молекул лекарств, чем существующие методы. Ученые сравнивают работу генеративных потоковых сетей с конструктором LEGO, где система предсказывает оптимальное расположение «деталей» для создания нужной структуры молекулы.
Интеграция классических методов, таких как M-DQN, в систему искусственного интеллекта для моделирования молекул, способных связываться с человеческим белком sEH, показала значительные преимущества перед специализированными подходами, отметили в пресс-службе.
