基于化学环境自适应学习的掺杂石墨氮化碳纳米片光学带隙预测

一直以来,从新药物的发现到最终应用的过程被认为是非常耗时且消耗资源密集的。在化学领域,经典传统方法密度泛函理论(DFT)使用非常广泛,其计算出分子的密度泛函并推导出各种性质。然而,传统的量子模拟技术既昂贵又难以探索潜在大范围的掺杂分子结构。为了降低成本并提高效率,提出了一种基于化学环境的图神经网络模型,希望能在新型材料和药物的研发上推动发展。本文探索领域聚焦于石墨氮化碳(g-C3N4)及其掺杂变体。鉴于石墨氮化碳(g-C3N4)的分子性质带隙在现实中的重要性,准确预测材料的光学带隙成为了本研究的目标。本文使用基于化学环境的图神经网络有效地捕捉了分子的复杂结构,即使同时探索具有多个变体的掺杂g-C3N4结构,它也能精确预测它们的带隙,相比于传统的图神经网络有极大的提升,提供了一种方便快捷且精确的工具。

视觉语言预训练综述

近年来深度学习在计算机视觉(CV)和自然语言处理(NLP)等单模态领域都取得了十分优异的性能.随着技术的发展,多模态学习的重要性和必要性已经慢慢展现.视觉语言学习作为多模态学习的重要部分,得到国内外研究人员的广泛关注.得益于Transformer框架的发展,越来越多的预训练模型被运用到视觉语言多模态学习上,相关任务在性能上得到了质的飞跃.系统地梳理了当前视觉语言预训练模型相关的工作,首先介绍了预训练模型的相关知识,其次从两种不同的角度分析比较预训练模型结构,讨论了常用的视觉语言预训练技术,详细介绍了5类下游预训练任务,最后介绍了常用的图像和视频预训练任务的数据集,并比较和分析了常用预训练模型在不同任务下不同数据集上的性能.