pipeline_tag: 句子相似度 tags:

• 句子转换器
• 特征提取
• 句子相似度
• 转换器

widget:

• source_sentence: "[]CC[]" sentences:
  • "[]COC[]"
  • "[]CC(C)C[]"

kuelumbus/polyBERT

这是polyBERT：一个化学语言模型，旨在实现完全由机器驱动的超快聚合物信息学。polyBERT将PSMILES字符串映射为600维密集指纹。这些指纹以数值形式表示聚合物化学结构。请参阅LICENSE文件中的许可协议。

使用方法（Sentence-Transformers）

安装sentence-transformers后，使用此模型变得非常简单：

pip install sentence-transformers

然后您可以像这样使用模型：

from sentence_transformers import SentenceTransformer
psmiles_strings = ["[*]CC[*]", "[*]COC[*]"]

polyBERT = SentenceTransformer('kuelumbus/polyBERT')
embeddings = polyBERT.encode(psmiles_strings)
print(embeddings)

使用方法（HuggingFace Transformers）

如果没有安装sentence-transformers，您可以这样使用模型：首先，将输入传递给转换器模型，然后需要在上下文化的词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


#均值池化 - 考虑注意力掩码以进行正确的平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #模型输出的第一个元素包含所有词嵌入
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# 需要获取句子嵌入的句子
psmiles_strings = ["[*]CC[*]", "[*]COC[*]"]

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('kuelumbus/polyBERT')
polyBERT = AutoModel.from_pretrained('kuelumbus/polyBERT')

# 对句子进行标记化
encoded_input = tokenizer(psmiles_strings, padding=True, truncation=True, return_tensors='pt')

# 计算词嵌入
with torch.no_grad():
    model_output = polyBERT(**encoded_input)

# 执行池化。这里使用均值池化。
fingerprints = mean_pooling(model_output, encoded_input['attention_mask'])

print("指纹：")
print(fingerprints)

评估结果

参见https://github.com/Ramprasad-Group/polyBERT及arXiv上的论文。

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: DebertaV2Model 
  (1): Pooling({'word_embedding_dimension': 600, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者

Kuenneth, C., Ramprasad, R. polyBERT：一种化学语言模型，旨在实现完全由机器驱动的超快聚合物信息学。《自然通讯》14, 4099 (2023)。https://doi.org/10.1038/s41467-023-39868-6