論文の概要: Evolutionary Retrosynthetic Route Planning
- arxiv url: http://arxiv.org/abs/2310.05186v1
- Date: Sun, 8 Oct 2023 14:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 11:45:37.639428
- Title: Evolutionary Retrosynthetic Route Planning
- Title（参考訳）: 進化的再合成経路計画
- Authors: Yan Zhang, Hao Hao, Xiao He, Shuanhu Gao, Aimin Zhou
- Abstract要約: 進化的アルゴリズム(EA)に基づく再合成経路計画の新しい手法を提案する。
EAは1段階の呼び出しを平均53.9%削減する。
3つの解を探索するのに要する時間は平均83.9%減少し、可能な探索経路の数は5倍増加した。
- 参考スコア（独自算出の注目度）: 8.795747553671925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular retrosynthesis is a significant and complex problem in the field of
chemistry, however, traditional manual synthesis methods not only need
well-trained experts but also are time-consuming. With the development of big
data and machine learning, artificial intelligence (AI) based retrosynthesis is
attracting more attention and is becoming a valuable tool for molecular
retrosynthesis. At present, Monte Carlo tree search is a mainstream search
framework employed to address this problem. Nevertheless, its search efficiency
is compromised by its large search space. Therefore, we propose a novel
approach for retrosynthetic route planning based on evolutionary optimization,
marking the first use of Evolutionary Algorithm (EA) in the field of multi-step
retrosynthesis. The proposed method involves modeling the retrosynthetic
problem into an optimization problem, defining the search space and operators.
Additionally, to improve the search efficiency, a parallel strategy is
implemented. The new approach is applied to four case products, and is compared
with Monte Carlo tree search. The experimental results show that, in comparison
to the Monte Carlo tree search algorithm, EA significantly reduces the number
of calling single-step model by an average of 53.9%. The time required to
search three solutions decreased by an average of 83.9%, and the number of
feasible search routes increases by 5 times.
- Abstract（参考訳）: 分子の逆合成は化学の分野では重要かつ複雑な問題であるが、従来の手動合成法は熟練した専門家を必要とするだけでなく、時間もかかる。
ビッグデータと機械学習の開発により、人工知能(ai)ベースのレトロシンセシスが注目を集め、分子のレトロシンセシスのための貴重なツールになりつつある。
現在、モンテカルロ木探索はこの問題に対処するために使われる主流の探索フレームワークである。
それでも、検索効率は巨大な検索スペースによって損なわれている。
そこで本研究では,進化的アルゴリズム(EA)を多段階再合成の分野で初めて活用した,進化的最適化に基づく再合成経路計画手法を提案する。
提案手法では,逆合成問題を最適化問題にモデル化し,探索空間と演算子を定義する。
また,探索効率を向上させるために並列戦略を実装した。
この新しいアプローチは4つのケース製品に適用され、モンテカルロ木探索と比較される。
実験の結果、モンテカルロ木探索アルゴリズムと比較して、EAは1段階の呼び出し回数を平均53.9%削減することがわかった。
3つの解を探索するのに要する時間は平均83.9%減少し、可能な探索経路の数は5倍増加した。
関連論文リスト
- RethinkMCTS: Refining Erroneous Thoughts in Monte Carlo Tree Search for Code Generation [65.5353313491402]
本稿では,モンテカルロ木探索(MCTS)アルゴリズムを用いて,コードを生成する前に思考レベルの探索を行うRethinkMCTSを紹介する。
我々は,検索中の誤った思考を洗練させるために,微動コード実行フィードバックからの言語フィードバックを構築した。
RethinkMCTSは従来の検索ベースおよびフィードバックベースのコード生成ベースラインよりも優れていることを実証する。
論文 参考訳（メタデータ） (2024-09-15T02:07:28Z) - LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。
GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
論文 参考訳（メタデータ） (2024-06-29T05:14:04Z) - Mind the Retrosynthesis Gap: Bridging the divide between Single-step and
Multi-step Retrosynthesis Prediction [0.9134244356393664]
多段階のアプローチは、単段階の逆合成モデルに格納された化学情報を繰り返し適用する。
複数のステップに拡張された1段階の逆合成のためのモデルが、現在のマルチステップ手法の経路探索能力に大きな影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2022-12-12T18:06:24Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - 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) - Reinforcement Learning for Branch-and-Bound Optimisation using
Retrospective Trajectories [72.15369769265398]
機械学習は分岐のための有望なパラダイムとして登場した。
分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。
我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
論文 参考訳（メタデータ） (2022-05-28T06:08:07Z) - Ordering-Based Causal Discovery with Reinforcement Learning [31.358145789333825]
本論文では, RL を順序付けに基づくパラダイムに組み込むことにより, RL に基づく因果的発見手法を提案する。
提案手法の一貫性と計算複雑性を分析し,事前学習モデルを用いて学習を高速化できることを実証的に示す。
論文 参考訳（メタデータ） (2021-05-14T03:49:59Z) - Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
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。
論文 参考訳（メタデータ） (2020-06-29T05:53:33Z) - 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。