論文の概要: Non-autoregressive electron flow generation for reaction prediction

• arxiv url: http://arxiv.org/abs/2012.12124v2
• Date: Fri, 5 Feb 2021 12:03:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:45:59.503360
• Title: Non-autoregressive electron flow generation for reaction prediction
• Title（参考訳）: 反応予測のための非自己回帰電子フロー生成
• Authors: Hangrui Bi, Hengyi Wang, Chence Shi, Jian Tang
• Abstract要約: このような連続的な生成を回避し、非自動回帰的な反応を予測する新しいデコーダを考案する。 物理化学の洞察に基づいて、分子グラフのエッジ編集を電子フローとして表現し、並列に予測できます。 このモデルは,最先端のtop-1精度とtop-kサンプリングにおける同等の性能で,推定遅延を桁違いに低減する。
• 参考スコア（独自算出の注目度）: 15.98143959075733
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reaction prediction is a fundamental problem in computational chemistry. Existing approaches typically generate a chemical reaction by sampling tokens or graph edits sequentially, conditioning on previously generated outputs. These autoregressive generating methods impose an arbitrary ordering of outputs and prevent parallel decoding during inference. We devise a novel decoder that avoids such sequential generating and predicts the reaction in a Non-Autoregressive manner. Inspired by physical-chemistry insights, we represent edge edits in a molecule graph as electron flows, which can then be predicted in parallel. To capture the uncertainty of reactions, we introduce latent variables to generate multi-modal outputs. Following previous works, we evaluate our model on USPTO MIT dataset. Our model achieves both an order of magnitude lower inference latency, with state-of-the-art top-1 accuracy and comparable performance on Top-K sampling.
• Abstract（参考訳）: 反応予測は計算化学の基本的な問題である。 既存のアプローチは通常、トークンやグラフ編集を逐次サンプリングすることで化学反応を生成し、以前に生成された出力を条件付けする。 これらの自己回帰生成手法は、任意の出力順序を強制し、推論中に並列復号を防ぐ。 このようなシーケンシャルな生成を回避し、非自己回帰的な方法で反応を予測する新しいデコーダを考案する。 物理化学の知見に触発されて、分子グラフのエッジ編集を電子フローとして表現し、それを並列に予測する。 反応の不確かさを捉えるために,マルチモーダル出力を生成するために潜在変数を導入する。 これまでの研究に続いて、USPTO MITデータセットでモデルを評価する。 提案モデルでは,Top-Kサンプリングにおいて,最先端のTop-1精度と同等の性能を両立させる。

関連論文リスト

• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Accelerating the inference of string generation-based chemical reaction models for industrial applications [25.069344340760715]
  本稿では,自動回帰SMILESジェネレータの投機的復号化による推論を高速化する手法を提案する。 反応予測と1段階の逆合成では3倍高速な推算が可能であり,精度は低下しない。
  論文  参考訳（メタデータ） (2024-07-12T20:55:59Z)
• Beyond the Typical: Modeling Rare Plausible Patterns in Chemical Reactions by Leveraging Sequential Mixture-of-Experts [42.9784548283531]
  TransformerやVAEのような生成モデルは一般的に反応生成物を予測するために使用される。 反応物と電子再分配パターンのマッピング空間を分割・分散的に整理することを提案する。
  論文  参考訳（メタデータ） (2023-10-07T03:18:26Z)
• Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
  電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。 提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:15:39Z)
• MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction [54.75583184356392]
  本稿では,レトロシンセシス予測のための新しいエンドツーエンドグラフ生成モデルを提案する。 反応中心を逐次同定し、合成子を生成し、合成子にモチーフを加えて反応子を生成する。 ベンチマークデータセットの実験では、提案されたモデルが従来の最先端のアルゴリズムを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2022-09-27T06:29:35Z)
• Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction [26.007965383304864]
  反応を1ショットで予測する非自己回帰学習パラダイムを考案する。 任意の電子フローとして反応を定式化し、新しいマルチポインター復号ネットワークで予測する。 USPTO-MITデータセットの実験により、我々の手法は最先端のトップ1の精度を確立した。
  論文  参考訳（メタデータ） (2021-06-08T16:39:08Z)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• An EM Approach to Non-autoregressive Conditional Sequence Generation [49.11858479436565]
  自己回帰(AR)モデルは条件付きシーケンス生成において支配的なアプローチである。 非自己回帰(NAR)モデルは、最近、すべての出力トークンを並列に生成することでレイテンシを低減するために提案されている。 本稿では,ARモデルとNARモデルの両方を統合期待最大化フレームワークで協調的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-29T20:58:57Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。