跳到主要内容
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

参考文献

1. Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., et al. Language models are few-shot learners. Advances in neural information processing systems 33, 1877-1901 (2020).

2. Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, F. L., Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., et al. Gpt-4 technical report. arXiv preprint arXiv:2303.08774 (2023).

3. Reid, M., Savinov, N., Teplyashin, D., Lepikhin, D., Lillicrap, T., Alayrac, J.-b., Soricut, R., Lazaridou, A., Firat, O., Schrittwieser, J., et al. Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. arXiv preprint arXiv:2403.05530 (2024).

4. AI@Meta. Llama 3 Model Card. https://github.com/meta-llama/llama3/blob/main/MODEL_CARD.md (2024).

5. Anthropic, A. The Claude 3 Model Family: Opus, Sonnet, Haiku. Claude-3 Model Card (2024).

6. Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., 等。论基础模型的机遇与风险。arXiv 预印本 arXiv:2108.07258 (2021)。

7. Trinh, T. H., Wu, Y., Le, Q. V., He, H. & Luong, T. 无需人类演示求解奥林匹克几何问题。Nature 625, 476-482 (2024)。

8. Li, Y., Choi, D., Chung, J., Kushman, N., Schrittwieser, J., Leblond, R., Eccles, T., Keeling, J., Gimeno, F., Dal Lago, A., 等。使用 alphacode 进行竞赛级代码生成。Science 378, 1092-1097 (2022)。

9. Yang, J., Jimenez, C. E., Wettig, A., Lieret, K., Yao, S., Narasimhan, K. & Press, O. SWE-agent:智能体-计算机接口实现自动化软件工程 2024。

10. Khattab, O., Singhvi, A., Maheshwari, P., Zhang, Z., Santhanam, K., A, S. V., Haq, S., Sharma, A., Joshi, T. T., Moazam, H., Miller, H., Zaharia, M. & Potts, C. DSPy:将声明式语言模型调用编译为最先进的流水线,载于第十二届国际学习表征会议 (2024)。https://openreview.net/forum?id=sY5N0zY5Od。

11. Zaharia, M., Khattab, O., Chen, L., Davis, J. Q., Miller, H., Potts, C., Zou, J., Carbin, M., Frankle, J., Rao, N. & Ghodsi, A. 从模型到复合AI系统的转变 https://bair.berkeley.edu/blog/2024/02/18/compound-ai-systems/. 2024.

12. Zhou, Y., Muresanu, A. I., Han, Z., Paster, K., Pitis, S., Chan, H. & Ba, J. 大型语言模型是人类水平的提示工程师,载于第十一届国际学习表征会议 (2023). https://openreview.net/forum?id=92gvk82DE-.

13. Krizhevsky, A., Sutskever, I. & Hinton, G. E. 使用深度卷积神经网络的ImageNet分类. 神经信息处理系统进展 25 (2012).

14. Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., Tunyasuvunakool, K., Bates, R., Zidek, A., Potapenko, A., 等. 使用AlphaFold进行高精度蛋白质结构预测. Nature 596, 583-589 (2021).

15. Fawzi, A., Balog, M., Huang, A., Hubert, T., Romera-Paredes, B., Barekatain, M., Novikov, A., R Ruiz, F. J., Schrittwieser, J., Swirszcz, G., 等. 使用强化学习发现更快的矩阵乘法算法. Nature 610, 47-53 (2022).

16. Mankowitz, D. J., Michi, A., Zhernov, A., Gelmi, M., Selvi, M., Paduraru, C., Leurent, E., Iqbal, S., Lespiau, J.-B., Ahern, A., 等. 使用深度强化学习发现更快的排序算法. Nature 618, 257-263 (2023).

17. Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G. & Cubuk, E. D. 扩展深度学习用于材料发现. Nature 624, 80-85 (2023).

18. Goodfellow, I., Bengio, Y. & Courville, A. 深度学习 (MIT press, 2016).

19. Rumelhart, D. E., Hinton, G. E. & Williams, R. J. 通过反向传播误差学习表征. Nature 323, 533-536 (1986).

.

20. Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S. & Darrell, T. Caffe:用于快速特征嵌入的卷积架构. arXiv预印本 arXiv:1408.5093 (2014).

21. Bergstra, J., Breuleux, O., Bastien, F., Lamblin, P., Pascanu, R., Desjardins, G., Turian, J., Warde-Farley, D. & Bengio, Y. Theano:一个CPU和GPU数学表达式编译器,载于Python科学计算会议(SciPy)论文集 (2010).

22. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., 等. TensorFlow:一个用于大规模机器学习的系统,载于第12届USENIX操作系统设计与实现研讨会(OSDI 16)(2016), 265-283.

23. Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L., 等. PyTorch:一种命令式风格的高性能深度学习库. 神经信息处理系统进展 32 (2019).

24. Collobert, R., Bengio, S. & Mariéthoz, J. Torch:一个模块化机器学习软件库 (2002).

25. Pryzant, R., Iter, D., Li, J., Lee, Y., Zhu, C. & Zeng, M. 使用“梯度下降”和束搜索进行自动提示优化,载于2023年自然语言处理经验方法会议论文集 (eds Bouamor, H., Pino, J. & Bali, K.) (计算语言学协会,新加坡,2023年12月), 7957-7968. https://aclanthology.org/2023.emnlp-main.494.

26. Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K. & Yao, S. Reflexion:具有言语强化学习的语言智能体,载于神经信息处理系统进展 36 (2023). https://proceedings.neurips.cc/paper_files/paper/2023/file/1b44b878b78e6954cd888628510e90-Paper-Conference.pdf.

27. Rein, D., Hou, B. L., Stickland, A. C., Petty, J., Pang, R. Y., Dirani, J., Michael, J. & Bowman, S. R. GPQA:一个研究生水平的、谷歌搜不到的问答基准. arXiv预印本 arXiv:2311.12022 (2023).

28. Li, X., Zhang, T., Dubois, Y., Taori, R., Gulrajani, I., Guestrin, C., Liang, P. & Hashimoto, T. B. Alpaca-Eval:一个指令遵循模型的自动评估器 2023.

29. Bai, Y., Jones, A., Ndousse, K., Askell, A., Chen, A., DasSarma, N., Drain, D., Fort, S., Ganguli, D., Henighan, T., 等. 通过人类反馈强化学习训练一个有用且无害的助手. arXiv预印本 arXiv:2204.05862 (2022).

30. Madaan, A., Tandon, N., Gupta, P., Hallinan, S., Gao, L., Wiegreffe, S., Alon, U., Dziri, N., Prabhumoye, S., Yang, Y., 等. Self-Refine:通过自我反馈进行迭代改进. 神经信息处理系统进展 36 (2024).

31. Stiennon, N., Ouyang, L., Wu, J., Ziegler, D., Lowe, R., Voss, C., Radford, A., Amodei, D. & Christiano, P. F. 通过人类反馈学习摘要. 神经信息处理系统进展 33, 3008-3021 (2020).

32. Yuan, W., Pang, R. Y., Cho, K., Sukhbaatar, S., Xu, J. & Weston, J. 自我奖励的语言模型. arXiv预印本 arXiv:2401.10020 (2024).

33. Dubois, Y., Li, C. X., Taori, R., Zhang, T., Gulrajani, I., Ba, J., Guestrin, C., Liang, P. S. & Hashimoto, T. B. AlpacaFarm:一个用于从人类反馈中学习方法的模拟框架. 神经信息处理系统进展 36 (2024).

34. Bottou, L. 使用随机梯度下降的大规模机器学习. COMPSTAT'2010论文集, 177-186 (2010).

35. Boyd, S., Boyd, S. P. & Vandenberghe, L. 凸优化 (剑桥大学出版社, 2004).

36. Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., 等. 通过人类反馈训练语言模型遵循指令. 神经信息处理系统进展 35, 27730-27744 (2022).

37. Wei, J., Bosma, M., Zhao, V., Guu, K., Yu, A. W., Lester, B., Du, N., Dai, A. M. & Le, Q. V. 微调语言模型是零样本学习器,载于国际学习表征会议 (2022). https://openreview.net/forum?id=gEZrGCozdqR.

38. Yuksekgonul, M., Chandrasekaran, V., Jones, E., Gunasekar, S., Naik, R., Palangi, H., Kamar, E. & Nushi, B. 注意力满足:从约束满足视角看语言模型的事实错误,载于第十二届国际学习表征会议 (2024). https://openreview.net/forum?id=gFfVATffPd.

39. Abdin, M. I., Gunasekar, S., Chandrasekaran, V., Li, J., Yuksekgonul, M., Peshawaria, R. G., Naik, R. & Nushi, B. KITAB:在第十二届国际学习表征会议上评估LLM在信息检索中的约束满足能力(2024)。https://openreview.net/forum?id=b3kDP3IytM。

40. Polyak, B. T. 加速迭代方法收敛的若干方法。USSR计算数学与数学物理学 4, 1-17 (1964)。

41. Sutskever, I., Martens, J., Dahl, G. & Hinton, G. 论初始化与动量在深度学习中的重要性,载于国际机器学习会议(2013),1139-1147。

42. Sun, Y., Wang, X., Liu, Z., Miller, J., Efros, A. & Hardt, M. 基于自监督的测试时训练用于分布偏移下的泛化,载于第37届国际机器学习会议论文集(PMLR,2020)。https://proceedings.mlr.press/v119/sun20b.html。

43. Sun, Y., Li, X., Dalal, K., Hsu, C., Koyejo, S., Guestrin, C., Wang, X., Hashimoto, T. & Chen, X. 学习(在测试时学习)。arXiv预印本 arXiv:2310.13807 (2023)。

44. Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K. R. & Cao, Y. ReAct:在语言模型中协同推理与行动,载于第十一届国际学习表征会议(2023)。https://openreview.net/forum?id=WE_vluYU-X。

45. Hendrycks, D., Burns, C., Basart, S., Zou, A., Mazeika, M., Song, D. & Steinhardt, J. 在国际学习表示会议中测量大规模多任务语言理解 (2021)。https://openreview.net/forum?id=d7KBjmI3GmQ。

46. Kojima, T., Gu, S. S., Reid, M., Matsuo, Y. & Iwasawa, Y. 大型语言模型是零样本推理器。神经信息处理系统进展 35, 22199-22213 (2022)。

47. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., Zhou, D., et al. 思维链提示引发大型语言模型中的推理。神经信息处理系统进展 35, 24824-24837 (2022)。

48. OpenAI. 你好 GPT-4o 访问日期:2024-05-18。2024。https://openai.com/index/hello-gpt-4o/。

49. Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H. & Neubig, G. 预训练、提示和预测:自然语言处理中提示方法的系统综述。ACM 计算综述 55, 1-35 (2023)。

50. Suzgun, M., Scales, N., Schärli, N., Gehrmann, S., Tay, Y., Chung, H. W., Chowdhery, A., Le, Q., Chi, E., Zhou, D. & Wei, J. 挑战 BIG-Bench 任务以及思维链能否解决它们,载于计算语言学协会发现:ACL 2023 (计算语言学协会,加拿大多伦多,2023年7月)。https://aclanthology.org/2023.findings-acl.824。

51. Srivastava, A. et al. 超越模仿游戏:量化和外推语言模型的能力。机器学习研究汇刊。ISSN:2835-8856。https://openreview.net/forum?id=uyTL5Bvosj (2023)。

52. Cobbe, K., Kosaraju, V., Bavarian, M., Chen, M., Jun, H., Kaiser, L., Plappert, M., Tworek, J., Hilton, J., Nakano, R., Hesse, C. & Schulman, J. 训练验证器以解决数学应用题。arXiv 预印本 arXiv:2110.14168 (2021)。

53. Nicolaou, C. A. & Brown, N. 药物设计中的多目标优化方法。今日药物发现:技术 10, e427-e435 (2013)。

54. Hoelder, S., Clarke, P. A. & Workman, P. 小分子抗癌药物的发现:成功、挑战和机遇。分子肿瘤学 6, 155-176 (2012)。

55. Kontoyianni, M. 药物发现中的对接和虚拟筛选。药物发现蛋白质组学:方法和协议, 255-266 (2017)。

56. Agarwal, S. & Mehrotra, R. 分子对接概述。JSM 化学 4, 1024-1028 (2016)。

57. Trott, O. & Olson, A. J. AutoDock Vina:通过新的评分函数、高效优化和多线程提高对接的速度和准确性。计算化学杂志 31, 455-461 (2010)。

58. Ursu, O., Rayan, A., Goldblum, A. & Oprea, T. I. 理解类药性。Wiley 跨学科评论:计算分子科学 1, 760-781 (2011)。

59. Bickerton, G. R., Paolini, G. V., Besnard, J., Muresan, S. & Hopkins, A. L. 量化药物的化学美感。自然化学 4, 90-98 (2012)。

60. Bender, B. J., Gahbauer, S., Lutens, A., Lyu, J., Webb, C. M., Stein, R. M., Fink, E. A., Balius, T. E., Carlsson, J., Irwin, J. J., et al. 大规模对接实用指南。自然协议 16, 4799-4832 (2021)。

61. García-Ortegón, M., Simm, G. N., Tripp, A. J., Hernández-Lobato, J. M., Bender, A. & Bacallado, S. DOCKSTRING:简易分子对接为配体设计产生更好的基准。化学信息与建模杂志 62, 3486-3502 (2022)。

62. Khan, F. M., Sperduto, P. W. & Gibbons, J. P. Khan 的放射肿瘤学治疗计划:。(Lippincott Williams & Wilkins, 2021)。

63. Webb, S. IMRT 和逆向计划的物理基础。英国放射学杂志 76, 678-689 (2003)。

64. Hussein, M., Heijmen, B. J. M., Verellen, D. & Nisbet, A. 调强放射治疗计划中的自动化——近期创新综述。英国放射学杂志 91, 20180270。ISSN:0007-1285。(2024) (2018年12月)。

65. Wieser, H.-P., Cisternas, E., Wahl, N., Ulrich, S., Stadler, A., Mescher, H., Müller, L.-R., Klinge, T., Gabrys, H., Burigo, L., et al. 开源剂量计算和优化工具包 matRad 的开发。医学物理学 44, 2556-2568 (2017)。

66. Nori, H., Lee, Y. T., Zhang, S., Carignan, D., Edgar, R., Fusi, N., King, N., Larson, J., Li, Y., Liu, W., et al. 通用基础模型能否超越专用调优?医学案例研究。arXiv 预印本 arXiv:2311.16452 (2023)。

67. Shin, T., Razeghi, Y., Logan IV, R. L., Wallace, E. & Singh, S. AutoPrompt:使用自动生成的提示从语言模型中引出知识,载于2020年自然语言处理经验方法会议 (EMNLP) 论文集 (计算语言学协会,在线,2020年11月), 4222-4235。https://aclanthology.org/2020.emnlp-main.346。

68. Jia, M., Tang, L., Chen, B.-C., Cardie, C., Belongie, S., Hariharan, B. & Lim, S.-N. 视觉提示调优,载于欧洲计算机视觉会议 (2022), 709-727。

69. Li, X. L. & Liang, P. 前缀调优:优化连续提示以进行生成,载于计算语言学协会第59届年会和第11届国际自然语言处理联合会议论文集 (第1卷:长论文) (计算语言学协会,在线,2021年8月), 4582-4597。https://aclanthology.org/2021.acl-long.353。

70. Chen, X., Zhang, N., Xie, X., Deng, S., Yao, Y., Tan, C., Huang, F., Si, L. & Chen, H. Knowprompt:具有协同优化的知识感知提示调优用于关系抽取,载于2022年ACM Web会议论文集 (2022), 2778-2788。

71. Ye, Q., Axmed, M., Pryzant, R. & Khani, F. 为提示工程师进行提示工程。arXiv 预印本 arXiv:2311.05661 (2023)。

72. Khattab, O., Santhanam, K., Li, X. L., Hall, D., Liang, P., Potts, C. & Zaharia, M. 演示-搜索-预测:为知识密集型NLP组合检索和语言模型。arXiv 预印本 arXiv:2212.14024 (2022)。

73. Singhvi, A., Shetty, M., Tan, S., Potts, C., Sen, K., Zaharia, M. & Khattab, O. DSPy Assertions:自精炼语言模型管道的计算约束。arXiv 预印本 arXiv:2312.13382 (2023)。

74. Yang, C., Wang, X., Lu, Y., Liu, H., Le, Q. V., Zhou, D. & Chen, X. 大型语言模型作为优化器,载于第十二届国际学习表示会议 (2024)。https://openreview.net/forum?id=Bb4VGOWELI。

75. Song, X., Tian, Y., Lange, R. T., Lee, C., Tang, Y. & Chen, Y. 立场:利用基础模型进行黑盒优化 2024。arXiv:2405.03547 [cs.LG]。

76. Liu, T., Astorga, N., Seedat, N. & van der Schaar, M. 大型语言模型增强贝叶斯优化,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=00xotBmGol。

77. Wang, R., Zelikman, E., Poesia, G., Pu, Y., Haber, N. & Goodman, N. 假设搜索:基于语言模型的归纳推理,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=G7UtIGQmjm。

78. Gao, L., Dai, Z., Pasupat, P., Chen, A., Chaganty, A. T., Fan, Y., Zhao, V., Lao, N., Lee, H., Juan, D.-C. & Guu, K. RARR:利用语言模型研究和修订语言模型所言,载于《第61届计算语言学协会年会论文集(第1卷:长论文)》(计算语言学协会,加拿大多伦多,2023年7月),16477-16508。https://aclanthology.org/2023.acl-long.910。

79. Chen, X., Lin, M., Schärli, N. & Zhou, D. 教大型语言模型自我调试,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=KuPixIQPiq。

80. Shypula, A. G., Madaan, A., Zeng, Y., Alon, U., Gardner, J. R., Yang, Y., Hashemi, M., Neubig, G., Ranganathan, P., Bastani, O. & Yazdanbakhsh, A. 学习提升性能的代码编辑,载于《第十二届国际学习表征会议》(2024)。https://openreview.net/forum?id=ix7rLVHXyY。

81. Chase, H. LangChain 2022年10月17日. https://github.com/langchain-ai/langchain.

82. Liu, J. LlamaIndex https://github.com/jerryjliu/llamaindex.2022.

83. Schick, T., Dwivedi-Yu, J., Dessi, R., Raileanu, R., Lomeli, M., Hambro, E., Zettlemoyer, L., Cancedda, N. & Scialom, T. Toolformer:语言模型可以自学使用工具. 神经信息处理系统进展 36 (2024).

84. Press, O., Zhang, M., Min, S., Schmidt, L., Smith, N. & Lewis, M. 测量并缩小语言模型中的组合性差距 in 计算语言学协会发现:EMNLP 2023 (计算语言学协会,新加坡,2023年12月), 5687-5711. https://aclanthology.org/2023.findings-emnlp.378.

85. Zelikman, E., Wu, Y., Mu, J. & Goodman, N. STaR:用推理引导推理 in 神经信息处理系统进展 (eds Koyejo, S., Mohamed, S., Agarwal, A., Belgrave, D., Cho, K. & Oh, A.) 35 (Curran Associates, Inc., 2022), 15476-15488. https://proceedings.neurips.cc/paper_files/paper/2022/file/639a9a172c044fbb64175b5fad42e9a5-Paper-Conference.pdf.

86. Huang, J., Gu, S., Hou, L., Wu, Y., Wang, X., Yu, H. & Han, J. 大型语言模型可以自我改进 in 2023年自然语言处理经验方法会议论文集 (eds Bouamor, H., Pino, J. & Bali, K.) (计算语言学协会,新加坡,2023年12月). https://aclanthology.org/2023.emnlp-main.67.

87. Yang, K., Tian, Y., Peng, N. & Klein, D. Re3:通过递归重提示和修订生成长篇故事 in 2022年自然语言处理经验方法会议论文集 (计算语言学协会,2022年12月). https://aclanthology.org/2022.emnlp-main.296.

88. Xie, Y., Kawaguchi, K., Zhao, Y., Zhao, X., Kan, M.-Y., He, J. & Xie, Q. 自评估引导的束搜索用于推理 in 第三十七届神经信息处理系统会议 (2023). https://openreview.net/forum?id=Bw82hwg5Q3.

89. Paul, D., Ismayilzada, M., Peyrard, M., Borges, B., Bosselut, A., West, R. & Faltings, B. REFINER:对中间表示的推理反馈 in 欧洲计算语言学协会分会第18届会议论文集(第1卷:长论文) (计算语言学协会,2024年3月). https://aclanthology.org/2024.eacl-long.67. 90. Zhao, A., Huang, D., Xu, Q., Lin, M., Liu, Y.-J. & Huang, G. Expel:LLM智能体是经验学习者 in AAAI人工智能会议论文集 38 (2024), 19632-19642. 91. Le, H., Chen, H., Saha, A., Gokul, A., Sahoo, D. & Joty, S. CodeChain:通过具有代表性子模块的自我修订链实现模块化代码生成 in 第十二届国际学习表征会议 (2024). https://openreview.net/forum?id=vYhglxSj8j. 92. Robbins, H. & Monro, S. 一种随机逼近方法. 数理统计年鉴, 400-407 (1951). 93. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Kuttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., et al. 面向知识密集型NLP任务的检索增强生成. 神经信息处理系统进展 33, 9459-9474 (2020). 94. Robert, C. P. & Casella, G. 模拟与蒙特卡罗方法. Springer统计学教材系列, New York: Springer 2 (1999). 95. Kingma, D. & Ba, J. Adam:一种随机优化方法 in 国际学习表征会议 (ICLR) (San Diega, CA, USA, 2015). 96. Lightman, H., Kosaraju, V., Burda, Y., Edwards, H., Baker, B., Lee, T., Leike, J., Schulman, J., Sutskever, I. & Cobbe, K. 让我们逐步验证 in 第十二届国际学习表征会议 (2024). https://openreview.net/forum?id=v8L0pN6E0i. 97. Schmidhuber, J. 自指学习中的进化原理 博士论文 (慕尼黑工业大学, 1987). 98. Thrun, S. & Pratt, L. in 学会学习 3-17 (Springer, 1998). 99. Finn, C., Abbeel, P. & Levine, S. 模型无关元学习用于深度网络的快速适应 in 第34届国际机器学习会议论文集 (2017). 100. RDKit:开源化学信息学 http://www.rdkit.org. 101. Hughes, J. P., Rees, S., Kalindjian, S. B. & Philpott, K. L. 早期药物发现原理. 英国药理学杂志 162, 1239-1249 (2011). 102. Wenlock, M. C., Austin, R. P., Barton, P., Davis, A. M. & Leeson, P. D. 开发阶段与已上市口服药物理化性质概况的比较. 药物化学杂志 46, 1250-1256 (2003). 103. Knox, C., Wilson, M., Klinger, C. M., Franklin, M., Oler, E., Wilson, A., Pon, A., Cox, J., Chin, N. E., Strawbridge, S. A., et al. Drugbank 6.0:面向2024年的DrugBank知识库. 核酸研究 52, D1265-D1275 (2024). 104. Berry, M., Fielding, B. & Gamieldien, J. 虚拟筛选和分子对接中的实践考虑. 计算生物学、生物信息学和系统生物学的新兴趋势, 487 (2015). 105. Birhane, A., Kasirzadeh, A., Leslie, D. & Wachter, S. 大型语言模型时代的科学. 自然综述物理学 5, 277-280 (2023). 106. Nikolova, N. & Jaworska, J. 化学相似性度量方法——综述. QSAR与组合科学 22, 1006-1026 (2003). 107. Gaulton, A., Bellis, L. J., Bento, A. P., Chambers, J., Davies, M., Hersey, A., Light, Y., McGlinchey, S., Michalovich, D., Al-Lazikani, B., et al. ChEMBL:用于药物发现的大规模生物活性数据库. 核酸研究 40, D1100-D1107 (2012). 108. Swanson, K., Walther, P., Leitz, J., Mukherjee, S., Wu, J. C., Shivnaraie, R. V. & Zou, J. ADMET-AI:用于评估大规模化学库的机器学习ADMET平台. bioRxiv, 2023-12 (2023).

109. Xing, L., Li, J. G., Donaldson, S., Le, Q. T. & Boyer, A. L. 逆向计划中重要性因子的优化. 医学与生物学中的物理学 44, 2525. ISSN: 0031-9155. (2024) (1999年10月).