論文の概要: ChemAlgebra: Algebraic Reasoning on Chemical Reactions
- arxiv url: http://arxiv.org/abs/2210.02095v1
- Date: Wed, 5 Oct 2022 08:34:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 15:29:17.496811
- Title: ChemAlgebra: Algebraic Reasoning on Chemical Reactions
- Title（参考訳）: ChemAlgebra: 化学反応の代数的推論
- Authors: Andrea Valenti, Davide Bacciu, Antonio Vergari
- Abstract要約: ディープラーニングモデルが推論タスクに取り組む能力を持っているかどうかは不明だ。
ChemAlgebraは、ディープラーニングモデルの推論能力を測定するためのベンチマークである。
- 参考スコア（独自算出の注目度）: 16.93639996082923
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While showing impressive performance on various kinds of learning tasks, it
is yet unclear whether deep learning models have the ability to robustly tackle
reasoning tasks. than by learning the underlying reasoning process that is
actually required to solve the tasks. Measuring the robustness of reasoning in
machine learning models is challenging as one needs to provide a task that
cannot be easily shortcut by exploiting spurious statistical correlations in
the data, while operating on complex objects and constraints. reasoning task.
To address this issue, we propose ChemAlgebra, a benchmark for measuring the
reasoning capabilities of deep learning models through the prediction of
stoichiometrically-balanced chemical reactions. ChemAlgebra requires
manipulating sets of complex discrete objects -- molecules represented as
formulas or graphs -- under algebraic constraints such as the mass preservation
principle. We believe that ChemAlgebra can serve as a useful test bed for the
next generation of machine reasoning models and as a promoter of their
development.
- Abstract（参考訳）: 各種の学習課題において印象的なパフォーマンスを示す一方で、深層学習モデルが推論タスクに頑健に取り組む能力を持っているかどうかは不明だ。
タスクを実際に解くのに必要な 基本的な推論プロセスを学ぶことよりも
複雑なオブジェクトや制約を操作しながら、データ内の散発的な統計相関を利用して簡単に近づかないタスクを提供する必要があるため、機械学習モデルにおける推論のロバスト性を測定することは困難である。
理屈の仕事。
この問題に対処するため,統計的に平衡な化学反応を予測することによって,深層学習モデルの推論能力を測定するベンチマークであるChemAlgebraを提案する。
ChemAlgebraは、質量保存原理のような代数的制約の下で、複雑な離散オブジェクト(式やグラフとして表される分子)の集合を操作する必要がある。
我々は、ChemAlgebraが次世代のマシン推論モデルに有用なテストベッドとして機能し、開発促進の役割を果たすと考えている。
関連論文リスト
- A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
化学実験の結果を予測するための条件付きガウス過程モデルを提案する。
我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。
本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-16T11:18:32Z) - Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [57.70772230913099]
Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。
Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。
Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
論文 参考訳（メタデータ） (2023-11-16T01:21:33Z) - Machine learning for accuracy in density functional approximations [0.0]
密度汎関数近似の精度を向上させるために機械学習を適用した最近の進歩を概観する。
異なる化学物質と材料クラス間で伝達可能な機械学習モデルを考案する際の約束と課題について論じる。
論文 参考訳（メタデータ） (2023-11-01T00:02:09Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Generative Models as a Complex Systems Science: How can we make sense of
large language model behavior? [75.79305790453654]
事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。
言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
論文 参考訳（メタデータ） (2023-07-31T22:58:41Z) - Learning Homogenization for Elliptic Operators [5.151892549395954]
マルチスケール偏微分方程式(PDE)は様々な応用で発生し、効率的な解法としていくつかのスキームが開発されている。
ホモジェナイゼーション理論(英語版)は、小さな依存を取り除く強力な方法論であり、結果として単純な方程式が引き起こされる。
本稿では, 楕円型作用素の複素数の存在下での同質化法則の学習可能性について検討する。
論文 参考訳（メタデータ） (2023-06-21T04:05:10Z) - Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。
これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。
実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
論文 参考訳（メタデータ） (2023-05-29T23:24:14Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳（メタデータ） (2022-02-13T04:56:18Z) - Learning Transport Processes with Machine Intelligence [0.0]
本稿では,輸送プロセスの研究に対処するための機械学習に基づくアプローチを提案する。
提案モデルでは, 輸送過程の潜在表現を, 予想よりも根本真理にかなり近い位置で学習することができる。
論文 参考訳（メタデータ） (2021-09-27T14:49:22Z) - Do Large Scale Molecular Language Representations Capture Important
Structural Information? [31.76876206167457]
本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。
実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
論文 参考訳（メタデータ） (2021-06-17T14:33:55Z)
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。