論文の概要: Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search

• arxiv url: http://arxiv.org/abs/2006.15820v1
• Date: Mon, 29 Jun 2020 05:53:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:08:49.758735
• Title: Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search
• Title（参考訳）: Retro*:ニューラルガイドA*探索による再合成計画学習
• Authors: Binghong Chen, Chengtao Li, Hanjun Dai, Le Song
• Abstract要約: 反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
• 参考スコア（独自算出の注目度）: 83.22850633478302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrosynthetic planning is a critical task in organic chemistry which identifies a series of reactions that can lead to the synthesis of a target product. The vast number of possible chemical transformations makes the size of the search space very big, and retrosynthetic planning is challenging even for experienced chemists. However, existing methods either require expensive return estimation by rollout with high variance, or optimize for search speed rather than the quality. In this paper, we propose Retro*, a neural-based A*-like algorithm that finds high-quality synthetic routes efficiently. It maintains the search as an AND-OR tree, and learns a neural search bias with off-policy data. Then guided by this neural network, it performs best-first search efficiently during new planning episodes. Experiments on benchmark USPTO datasets show that, our proposed method outperforms existing state-of-the-art with respect to both the success rate and solution quality, while being more efficient at the same time.
• Abstract（参考訳）: 再合成計画(Retrosynthetic Planning)は、有機化学において重要な課題であり、標的生成物の合成につながる一連の反応を特定する。 膨大な量の化学変換が可能であり、探索空間の大きさは非常に大きく、経験豊富な化学者でも逆合成計画が難しい。 しかし、既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも検索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*-likeアルゴリズムRetro*を提案する。 検索をand-orツリーとして維持し、オフポリシーデータでニューラルネットワークの検索バイアスを学ぶ。 そして、このニューラルネットワークによってガイドされ、新しい計画エピソードの間、ベストファースト検索を効率的に行う。 ベンチマークUSPTOデータセットの実験から,提案手法は,成功率とソリューション品質の両方において,既存の最先端技術よりも優れ,同時に効率がよいことを示す。

関連論文リスト

• Retro-prob: Retrosynthetic Planning Based on a Probabilistic Model [5.044138778500218]
  再合成は有機化学の基本的だが挑戦的な課題である。 標的分子を与えられた後生合成の目標は、合成経路に組み立てられる一連の反応を見つけることである。 本稿では,標的分子の合成確率を最大化するために,retro-probと呼ばれる新しい逆合成計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:23:40Z)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• Evolutionary Retrosynthetic Route Planning [8.19851864095418]
  本稿では,進化的最適化に基づく再合成経路計画法を提案する。 進化的アルゴリズム(EA)は、多段階の逆合成の分野で初めて使われる。
  論文  参考訳（メタデータ） (2023-10-08T14:47:41Z)
• RetroGraph: Retrosynthetic Planning with Graph Search [101.92603715499112]
  再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応経路を見つけることを目的としている。 本稿では,任意の中間分子の冗長な探索を排除したグラフベースの探索ポリシーを提案する。 提案手法は,グラフ内のターゲットの集合を探索し,木構造に基づく探索手法におけるターゲット間重複を除去する。
  論文  参考訳（メタデータ） (2022-06-23T05:01:29Z)
• Retrosynthetic Planning with Experience-Guided Monte Carlo Tree Search [10.67810457039541]
  逆合成計画では、複雑な分子を合成する膨大な数の経路が、可能性の爆発に繋がる。 現在のアプローチは、化学的知識が限られている人や機械で訓練されたスコア関数に依存している。 検索中に合成経験から知識を学ぶための体験指導ネットワークを構築した。
  論文  参考訳（メタデータ） (2021-12-11T17:14:15Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• ChemiRise: a data-driven retrosynthesis engine [19.52621175562223]
  ケミリゼは、有機化合物を迅速かつ確実に再合成する完全な経路を提案することができる。 システムは300万以上の有機反応を処理した特許データベース上で訓練された。
  論文  参考訳（メタデータ） (2021-08-09T05:13:14Z)
• On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
  本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。 本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
  論文  参考訳（メタデータ） (2021-05-26T20:55:29Z)
• A Bayesian algorithm for retrosynthesis [3.1092085121563526]
  本研究は、所望の分子から市販化合物への合成経路を後方に発見することを目的とする。 深層ニューラルネットワークは、与えられた反応物の生成物を高い精度で前方に予測するように訓練される。 後方モデルを用いて, モンテカルロ探索を用いて, 与えられた合成ターゲットに終止符を打つ多種多様な反応系列を網羅的に探索した。
  論文  参考訳（メタデータ） (2020-03-06T13:30:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。