論文の概要: RLSynC: Offline-Online Reinforcement Learning for Synthon Completion

• arxiv url: http://arxiv.org/abs/2309.02671v2
• Date: Mon, 16 Oct 2023 17:33:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 03:39:36.038407
• Title: RLSynC: Offline-Online Reinforcement Learning for Synthon Completion
• Title（参考訳）: RLSynC: シントーン補完のためのオフラインオンライン強化学習
• Authors: Frazier N. Baker, Ziqi Chen, and Xia Ning
• Abstract要約: レトロ合成(Retro synthesis)は、反応可能な反応分子の集合が望ましい生成物を形成する過程である。 半テンプレートに基づく逆合成法は、生成物の反応中心を予測し、生成したシンソンを反応剤に戻す。 セミテンプレート法におけるシントーン補完のための新しいオフラインオンライン強化学習法 RLSynC を開発した。
• 参考スコア（独自算出の注目度）: 1.6385815610837167
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrosynthesis is the process of determining the set of reactant molecules that can react to form a desired product. Semi-template-based retrosynthesis methods, which imitate the reverse logic of synthesis reactions, first predict the reaction centers in the products, and then complete the resulting synthons back into reactants. These methods enable necessary interpretability and high practical utility to inform synthesis planning. We develop a new offline-online reinforcement learning method RLSynC for synthon completion in semi-template-based methods. RLSynC assigns one agent to each synthon, all of which complete the synthons by conducting actions step by step in a synchronized fashion. RLSynC learns the policy from both offline training episodes and online interactions which allow RLSynC to explore new reaction spaces. RLSynC uses a forward synthesis model to evaluate the likelihood of the predicted reactants in synthesizing a product, and thus guides the action search. We compare RLSynC with the state-of-the-art retrosynthesis methods. Our experimental results demonstrate that RLSynC can outperform these methods with improvement as high as 14.9% on synthon completion, and 14.0% on retrosynthesis, highlighting its potential in synthesis planning.
• Abstract（参考訳）: レトロ合成(Retro synthesis)は、反応可能な反応分子の集合が望ましい生成物を形成する過程である。 合成反応の逆論理を模倣する半テンポレートベースの逆合成法は、まず生成物の反応中心を予測し、その結果のシンソンを反応剤に戻す。 これらの手法は、合成計画に必要とされる解釈可能性と高実用性を可能にする。 セミテンプレート法におけるシントーン補完のためのオフラインオンライン強化学習法 RLSynC を開発した。 rlsyncは1つのエージェントを各シントンに割り当て、それぞれが同期した方法でアクションをステップバイステップで実行することでシントンを完了する。 RLSynCはオフライントレーニングエピソードとオンラインインタラクションの両方からポリシーを学び、RSynCは新しい反応空間を探索する。 RLSynCは、生成物を合成する際に予測された反応物質の可能性を評価するために前方合成モデルを使用し、したがって作用探索を導く。 RLSynCと最先端の逆合成法を比較した。 実験の結果, RLSynCはこれらの手法よりも14.9%, レトロ合成では14.0%向上し, 合成計画におけるその可能性を強調した。

関連論文リスト

• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• 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)
• SynthesizRR: Generating Diverse Datasets with Retrieval Augmentation [55.2480439325792]
  トピック分類,感情分析,トーン検出,ユーモアの6つのデータセットの合成について検討した。 その結果,SynthesizRRは語彙や意味の多様性,人文との類似性,蒸留性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-05-16T12:22:41Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Models Matter: The Impact of Single-Step Retrosynthesis on Synthesis Planning [0.8620335948752805]
  再合成は、化学化合物を段階的に分子前駆体に分解する。 その2つの主要な研究方向、単段階の逆合成予測と多段階の合成計画は本質的に相互に絡み合っている。 単一ステップモデルを選択することで,合成計画の総合的な成功率を最大28%向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-08-10T12:04:47Z)
• ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real Novel View Synthesis via Contrastive Learning [102.46382882098847]
  まず,合成から現実への新規な視点合成における合成データの影響について検討した。 本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。 提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
  論文  参考訳（メタデータ） (2023-03-20T12:06:14Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)
• Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis [18.961915757370466]
  本稿では,過去の合成データに基づいて学習済みモデルを微調整し,未知のネットリストの合成レシピの品質を正確に予測するブルズアイを提案する。 このアプローチは、最先端の機械学習アプローチよりも2倍から10倍のランタイム改善とQoR(Quality-of-result)を実現している。
  論文  参考訳（メタデータ） (2022-04-05T17:18:04Z)
• 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)
• Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning [1.4680035572775534]
  本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。 このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
  論文  参考訳（メタデータ） (2020-09-14T20:50:45Z)

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。