論文の概要: Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction

• arxiv url: http://arxiv.org/abs/2106.07801v1
• Date: Tue, 8 Jun 2021 16:39:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-20 16:10:26.292849
• Title: Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction
• Title（参考訳）: 反応予測のための非自己回帰電子再分配モデル
• Authors: Hangrui Bi, Hengyi Wang, Chence Shi, Connor Coley, Jian Tang, Hongyu Guo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.007965383304864
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliably predicting the products of chemical reactions presents a fundamental challenge in synthetic chemistry. Existing machine learning approaches typically produce a reaction product by sequentially forming its subparts or intermediate molecules. Such autoregressive methods, however, not only require a pre-defined order for the incremental construction but preclude the use of parallel decoding for efficient computation. To address these issues, we devise a non-autoregressive learning paradigm that predicts reaction in one shot. Leveraging the fact that chemical reactions can be described as a redistribution of electrons in molecules, we formulate a reaction as an arbitrary electron flow and predict it with a novel multi-pointer decoding network. Experiments on the USPTO-MIT dataset show that our approach has established a new state-of-the-art top-1 accuracy and achieves at least 27 times inference speedup over the state-of-the-art methods. Also, our predictions are easier for chemists to interpret owing to predicting the electron flows.
• Abstract（参考訳）: 化学反応の産物を確実に予測することは、化学合成における根本的な課題である。 既存の機械学習アプローチは、通常、部分または中間分子を順次形成することによって反応生成物を生成する。 しかし、このような自己回帰的手法は、インクリメンタルな構築のために事前に定義された順序を必要とするだけでなく、効率的な計算のために並列デコードを使うことを妨げている。 これらの問題に対処するため,反応を予測する非自己回帰学習パラダイムを考案した。 化学反応が分子内の電子の再分配として記述できるという事実を利用して、反応を任意の電子フローとして定式化し、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は、我々の手法が新しい最先端トップ1の精度を確立し、最先端の手法よりも少なくとも27倍の推論速度を達成することを示している。 また、我々の予測は、電子の流れの予測により、化学者が解釈しやすい。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
  我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。 我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。 この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
  論文  参考訳（メタデータ） (2024-07-14T05:53:18Z)
• Generating High-Precision Force Fields for Molecular Dynamics Simulations to Study Chemical Reaction Mechanisms using Molecular Configuration Transformer [8.267664135065903]
  本稿では,以前に開発されたグラフニューラルネットワークに基づく分子モデルを用いて,分子モデリングのための高精度力場を訓練する手法を提案する。 このポテンシャルエネルギー関数は計算コストの低い高精度なシミュレーションを可能にし、化学反応のメカニズムをより正確に計算する。
  論文  参考訳（メタデータ） (2023-12-31T13:43:41Z)
• 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 flow generation for reaction prediction [15.98143959075733]
  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。
  論文  参考訳（メタデータ） (2020-12-16T10:01:26Z)
• 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)
• 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。