Artwork

Το περιεχόμενο παρέχεται από το Breaking Math, Gabriel Hesch, and Autumn Phaneuf. Όλο το περιεχόμενο podcast, συμπεριλαμβανομένων των επεισοδίων, των γραφικών και των περιγραφών podcast, μεταφορτώνεται και παρέχεται απευθείας από τον Breaking Math, Gabriel Hesch, and Autumn Phaneuf ή τον συνεργάτη της πλατφόρμας podcast. Εάν πιστεύετε ότι κάποιος χρησιμοποιεί το έργο σας που προστατεύεται από πνευματικά δικαιώματα χωρίς την άδειά σας, μπορείτε να ακολουθήσετε τη διαδικασία που περιγράφεται εδώ https://el.player.fm/legal.
Player FM - Εφαρμογή podcast
Πηγαίνετε εκτός σύνδεσης με την εφαρμογή Player FM !

Molecular dynamics simulation with GFlowNets: machine learning the importance of energy estimators in computational chemistry and drug discovery

28:23
 
Μοίρασέ το
 

Manage episode 442934732 series 3584638
Το περιεχόμενο παρέχεται από το Breaking Math, Gabriel Hesch, and Autumn Phaneuf. Όλο το περιεχόμενο podcast, συμπεριλαμβανομένων των επεισοδίων, των γραφικών και των περιγραφών podcast, μεταφορτώνεται και παρέχεται απευθείας από τον Breaking Math, Gabriel Hesch, and Autumn Phaneuf ή τον συνεργάτη της πλατφόρμας podcast. Εάν πιστεύετε ότι κάποιος χρησιμοποιεί το έργο σας που προστατεύεται από πνευματικά δικαιώματα χωρίς την άδειά σας, μπορείτε να ακολουθήσετε τη διαδικασία που περιγράφεται εδώ https://el.player.fm/legal.

In this episode of Breaking Math, hosts Autumn and Gabriel take a deep dive into the paper “Towards Equilibrium Molecular Conformation Generation with GFlowNets” by Volokova et al., published in the Digital Discovery Journal by the Royal Society of Chemistry. They explore the cutting-edge intersection of molecular conformations and machine learning, comparing traditional methods like molecular dynamics and cheminformatics with the innovative approach of Generative Flow Networks (GFlowNets) for molecular conformation generation.

The episode covers empirical results that showcase the effectiveness of GFlowNets in computational chemistry, their scalability, and the role of energy estimators in advancing fields like drug discovery. Tune in to learn how machine learning is transforming the way we understand molecular structures and driving breakthroughs in chemistry and pharmaceuticals.

Keywords: molecular conformations, machine learning, GFlowNets, computational chemistry, drug discovery, molecular dynamics, cheminformatics, energy estimators, empirical results, scalability, math, mathematics, physics, AI

Become a patron of Breaking Math for as little as a buck a month
You can find the paper “Towards equilibrium molecular conformation generation with GFlowNets” by Volokova et al in Digital Discovery Journal by the Royal Society of Chemistry.

Follow Breaking Math on Twitter, Instagram, LinkedIn, Website, YouTube, TikTok

Follow Autumn on Twitter and Instagram

Follow Gabe on Twitter.

Become a guest here

email: breakingmathpodcast@gmail.com

  continue reading

147 επεισόδια

Artwork
iconΜοίρασέ το
 
Manage episode 442934732 series 3584638
Το περιεχόμενο παρέχεται από το Breaking Math, Gabriel Hesch, and Autumn Phaneuf. Όλο το περιεχόμενο podcast, συμπεριλαμβανομένων των επεισοδίων, των γραφικών και των περιγραφών podcast, μεταφορτώνεται και παρέχεται απευθείας από τον Breaking Math, Gabriel Hesch, and Autumn Phaneuf ή τον συνεργάτη της πλατφόρμας podcast. Εάν πιστεύετε ότι κάποιος χρησιμοποιεί το έργο σας που προστατεύεται από πνευματικά δικαιώματα χωρίς την άδειά σας, μπορείτε να ακολουθήσετε τη διαδικασία που περιγράφεται εδώ https://el.player.fm/legal.

In this episode of Breaking Math, hosts Autumn and Gabriel take a deep dive into the paper “Towards Equilibrium Molecular Conformation Generation with GFlowNets” by Volokova et al., published in the Digital Discovery Journal by the Royal Society of Chemistry. They explore the cutting-edge intersection of molecular conformations and machine learning, comparing traditional methods like molecular dynamics and cheminformatics with the innovative approach of Generative Flow Networks (GFlowNets) for molecular conformation generation.

The episode covers empirical results that showcase the effectiveness of GFlowNets in computational chemistry, their scalability, and the role of energy estimators in advancing fields like drug discovery. Tune in to learn how machine learning is transforming the way we understand molecular structures and driving breakthroughs in chemistry and pharmaceuticals.

Keywords: molecular conformations, machine learning, GFlowNets, computational chemistry, drug discovery, molecular dynamics, cheminformatics, energy estimators, empirical results, scalability, math, mathematics, physics, AI

Become a patron of Breaking Math for as little as a buck a month
You can find the paper “Towards equilibrium molecular conformation generation with GFlowNets” by Volokova et al in Digital Discovery Journal by the Royal Society of Chemistry.

Follow Breaking Math on Twitter, Instagram, LinkedIn, Website, YouTube, TikTok

Follow Autumn on Twitter and Instagram

Follow Gabe on Twitter.

Become a guest here

email: breakingmathpodcast@gmail.com

  continue reading

147 επεισόδια

Όλα τα επεισόδια

×
 
Loading …

Καλώς ήλθατε στο Player FM!

Το FM Player σαρώνει τον ιστό για podcasts υψηλής ποιότητας για να απολαύσετε αυτή τη στιγμή. Είναι η καλύτερη εφαρμογή podcast και λειτουργεί σε Android, iPhone και στον ιστό. Εγγραφή για συγχρονισμό συνδρομών σε όλες τις συσκευές.

 

Οδηγός γρήγορης αναφοράς