Untersuchung chemoinformatischer Aspekte des Few-Shot Meta-Learnings am Beispiel der Vorhersage des Aktivitätskoeffizienten bei unendlicher Verdünnung in ionischen Flüssigkeiten

Das Sammeln umfangreicher Trainingsdatensätze für Struktur-Eigenschafts-Modellierung stellt häufig eine erhebliche Herausforderung dar, insbesondere bei Nischen-Aufnahmesystemen. Diese Studie bietet rechnergestützte Experimente mit Meta-Learning, das eine überzeugende Lösung für die Datenknappheit bei der Vorhersage molekularer Eigenschaften darstellt. Unsere Analyse nutzte Aktivitätskoeffizienten bei unendlicher Verdünnung für mehrere Systeme aus ionischen Flüssigkeiten und gelösten Stoffen, wobei die Koeffizienten-Vorhersage für Systeme mit einem bestimmten gelösten Stoff eine Aufgabe darstellte. Die Systeme wurden vorwiegend mit modell-agnostischem Meta-Learning (MAML) modelliert, unterstützt durch eine Untersuchung von Reptile und dessen modifizierten Varianten. Die erzielten Ergebnisse liefern vielversprechende Einblicke in das Training von MAML-Modellen durch Vergrößerung der Adaptionssatzgröße. Kennzahlen wie R2, RMSE und MAE weisen auf eine vergleichbare Leistung zu graphbasierten neuronalen Netzen hin, selbst bei Training mit nur 64 oder 128 Datenpunkten. Die Vielseitigkeit der feinabgestimmten Modelle lässt vermuten, dass in bestimmten Fällen die Leistung für eine einzelne Aufgabe auf Kosten reduzierter Modell-Vielseitigkeit (katastrophales Vergessen) erreicht werden kann. Die Ähnlichkeit zwischen Test- und Trainingsaufgaben (angenähert durch die Tanimoto-Ähnlichkeit der Moleküle der gelösten Stoffe) wurde als Faktor identifiziert, der die Leistung bei der Testaufgabe beeinflusst. Folglich wurde Task Similarity-Aware Reptile (TSA-Reptile) vorgeschlagen, um diese unähnlichen Aufgaben gezielt anzugehen. Diese neuartige Methode skaliert die Verlustfunktion basierend auf der Ähnlichkeit zur nächstgelegenen Trainingsaufgabe. Es wurde gezeigt, dass sie MAML bei Out-of-Distribution-Aufgaben übertrifft. Über die vergleichende Analyse von Meta-Learning und traditionellem Deep Learning hinaus werden potenzielle Stärken von sowohl MAML als auch TSA-Reptile diskutiert.