Artificial Intelligence (AI)-driven material design has been attracting great attentions as a groundbreaking technology across a wide spectrum of industries. Molecular design is particularly important owing to its broad application domains and boundless creativity attributed to progresses in generative models. The recent maturity of molecular generative models has stimulated expectations for practical use among potential users, who are not necessarily familiar with coding or scripting, such as experimental engineers and students in chemical domains. However, most of the existing molecular generative models are Python libraries on GitHub, that are accessible for only IT-savvy users. To fill this gap, we newly developed a graphical user interface (GUI)-based web application of molecular generative models, Molecule Generation Experience, that is open to the general public. This is the first web application of molecular generative models enabling users to work with built-in datasets to carry out molecular design. In this paper, we describe the background technology extended from our previous work. Our new online evaluation and structural filtering algorithms significantly improved the generation speed by 30 to 1,000 times with a wider structural variety, satisfying chemical stability and synthetic reality. We also describe in detail our Kubernetes-based scalable cloud architecture and user-oriented GUI that are necessary components to achieve a public service. Finally, we present actual use cases in industrial research to design new photoacid generators (PAGs) as well as release cases in educational events.

中文翻译：

---

分子生成体验：面向公众用户的 Material Design 开放平台

人工智能 (AI) 驱动的材料设计作为一项跨行业的突破性技术一直备受关注。分子设计因其广泛的应用领域和无限的创造力而尤为重要，这归因于生成模型的进步。最近分子生成模型的成熟激发了潜在用户对实际使用的期望，他们不一定熟悉编码或脚本，例如实验工程师和化学领域的学生。然而，大多数现有的分子生成模型是 GitHub 上的 Python 库，只有精通 IT 的用户才能访问。为了填补这一空白，我们新开发了一个基于图形用户界面 (GUI) 的分子生成模型 Web 应用程序 Molecule Generation Experience，这是对公众开放的。这是第一个分子生成模型的网络应用程序，使用户能够使用内置数据集进行分子设计。在本文中，我们描述了从我们之前的工作扩展而来的背景技术。我们新的在线评估和结构过滤算法显着提高了生成速度 30 到 1,000 倍，结构种类更广泛，满足化学稳定性和合成现实。我们还详细描述了我们基于 Kubernetes 的可扩展云架构和面向用户的 GUI，它们是实现公共服务的必要组件。最后，我们介绍了工业研究中的实际用例，以设计新的光酸产生剂 (PAG) 以及教育活动中的发布案例。这是第一个分子生成模型的网络应用程序，使用户能够使用内置数据集进行分子设计。在本文中，我们描述了从我们之前的工作扩展而来的背景技术。我们新的在线评估和结构过滤算法显着提高了生成速度 30 到 1,000 倍，结构种类更广泛，满足化学稳定性和合成现实。我们还详细描述了我们基于 Kubernetes 的可扩展云架构和面向用户的 GUI，它们是实现公共服务的必要组件。最后，我们介绍了工业研究中的实际用例，以设计新的光酸产生剂 (PAG) 以及教育活动中的发布案例。这是第一个分子生成模型的网络应用程序，使用户能够使用内置数据集进行分子设计。在本文中，我们描述了从我们之前的工作扩展而来的背景技术。我们新的在线评估和结构过滤算法显着提高了生成速度 30 到 1,000 倍，结构种类更广泛，满足化学稳定性和合成现实。我们还详细描述了我们基于 Kubernetes 的可扩展云架构和面向用户的 GUI，它们是实现公共服务的必要组件。最后，我们介绍了工业研究中的实际用例，以设计新的光酸产生剂 (PAG) 以及教育活动中的发布案例。我们描述了从我们之前的工作扩展而来的背景技术。我们新的在线评估和结构过滤算法显着提高了生成速度 30 到 1,000 倍，结构种类更广泛，满足化学稳定性和合成现实。我们还详细描述了我们基于 Kubernetes 的可扩展云架构和面向用户的 GUI，它们是实现公共服务的必要组件。最后，我们介绍了工业研究中的实际用例，以设计新的光酸产生剂 (PAG) 以及教育活动中的发布案例。我们描述了从我们之前的工作扩展而来的背景技术。我们新的在线评估和结构过滤算法显着提高了生成速度 30 到 1,000 倍，结构种类更广泛，满足化学稳定性和合成现实。我们还详细描述了我们基于 Kubernetes 的可扩展云架构和面向用户的 GUI，它们是实现公共服务的必要组件。最后，我们介绍了工业研究中的实际用例，以设计新的光酸产生剂 (PAG) 以及教育活动中的发布案例。满足化学稳定性和合成现实。我们还详细描述了我们基于 Kubernetes 的可扩展云架构和面向用户的 GUI，它们是实现公共服务的必要组件。最后，我们介绍了工业研究中的实际用例，以设计新的光酸产生剂 (PAG) 以及教育活动中的发布案例。满足化学稳定性和合成现实。我们还详细描述了我们基于 Kubernetes 的可扩展云架构和面向用户的 GUI，它们是实现公共服务的必要组件。最后，我们介绍了工业研究中的实际用例，以设计新的光酸产生剂 (PAG) 以及教育活动中的发布案例。