論文の概要: ReLM: Leveraging Language Models for Enhanced Chemical Reaction
Prediction
- arxiv url: http://arxiv.org/abs/2310.13590v1
- Date: Fri, 20 Oct 2023 15:33:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 22:14:25.532506
- Title: ReLM: Leveraging Language Models for Enhanced Chemical Reaction
Prediction
- Title(参考訳): ReLM: 化学反応予測の高速化のための言語モデル
- Authors: Yaorui Shi, An Zhang, Enzhi Zhang, Zhiyuan Liu, Xiang Wang
- Abstract要約: ReLMは、言語モデル(LM)に符号化された化学知識を活用してグラフニューラルネットワーク(GNN)を支援するフレームワークである。
実験結果から,ReLMは各種化学反応データセットにおける最先端GNN法の性能向上を実証した。
- 参考スコア(独自算出の注目度): 26.342666819515774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting chemical reactions, a fundamental challenge in chemistry, involves
forecasting the resulting products from a given reaction process. Conventional
techniques, notably those employing Graph Neural Networks (GNNs), are often
limited by insufficient training data and their inability to utilize textual
information, undermining their applicability in real-world applications. In
this work, we propose ReLM, a novel framework that leverages the chemical
knowledge encoded in language models (LMs) to assist GNNs, thereby enhancing
the accuracy of real-world chemical reaction predictions. To further enhance
the model's robustness and interpretability, we incorporate the confidence
score strategy, enabling the LMs to self-assess the reliability of their
predictions. Our experimental results demonstrate that ReLM improves the
performance of state-of-the-art GNN-based methods across various chemical
reaction datasets, especially in out-of-distribution settings. Codes are
available at https://github.com/syr-cn/ReLM.
- Abstract(参考訳): 化学反応の予測は、化学の基本的な課題であり、与えられた反応過程から得られる生成物を予測することを伴う。
従来の技術、特にグラフニューラルネットワーク(GNN)を採用する技術は、トレーニングデータ不足とテキスト情報の利用が不可能なために制限されることが多く、現実のアプリケーションへの適用性を損なう。
本研究では,言語モデル(LM)に符号化された化学知識を活用してGNNを支援する新しいフレームワークであるReLMを提案し,実世界の化学反応予測の精度を高める。
モデルの堅牢性と解釈可能性をさらに向上するため、信頼性スコア戦略を取り入れ、LMが予測の信頼性を自己評価できるようにする。
実験により,ReLMは様々な化学反応データセット,特に分布外環境において,最先端のGNN法の性能を向上させることが示された。
コードはhttps://github.com/syr-cn/relmで入手できる。
関連論文リスト
- A Self-feedback Knowledge Elicitation Approach for Chemical Reaction Predictions [24.80165173525286]
本稿では,データ処理による自己フィードバック型知識抽出手法を提案する。
我々は、事前知識を大規模言語モデルに注入するために適応的な即時学習を採用する。
この研究は、科学研究における知識の活用のための新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2024-04-15T09:26:33Z) - Are large language models superhuman chemists? [5.1611032009738205]
ケムベンチ(ChemBench)は、最先端モデルの化学知識と推論能力を厳格に評価する自動化されたフレームワークである。
我々は、化学科学の幅広いサブフィールドに対して7000以上の質問応答ペアをキュレートした。
私たちは、最高のモデルが、平均的な研究で最高の人間の化学者を上回っていることに気付きました。
論文 参考訳(メタデータ) (2024-04-01T20:56:25Z) - Contextual Molecule Representation Learning from Chemical Reaction
Knowledge [24.501564702095937]
本稿では,共通化学における原子結合規則をうまく利用した自己教師型学習フレームワークREMOを紹介する。
REMOは、文献における170万の既知の化学反応に関するグラフ/トランスフォーマーエンコーダを事前訓練する。
論文 参考訳(メタデータ) (2024-02-21T12:58:40Z) - 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) - Mitigating Large Language Model Hallucinations via Autonomous Knowledge
Graph-based Retrofitting [51.7049140329611]
本稿では,知識グラフに基づくリトロフィッティング(KGR)を提案する。
実験により,実QAベンチマークにおいて,KGRはLLMの性能を大幅に向上できることが示された。
論文 参考訳(メタデータ) (2023-11-22T11:08:38Z) - ReactIE: Enhancing Chemical Reaction Extraction with Weak Supervision [27.850325653751078]
構造化化学反応情報は、実験とコンピュータ支援医薬品設計のような先進的な取り組みに携わる化学者にとって重要な役割を担っている。
科学的文献から構造的反応を抽出することが重要であるにもかかわらず、この目的のためのデータアノテーションは、ドメインの専門家が必要とする多大な労力のためにコストを抑えることができる。
本稿では,2つの弱教師付き事前学習手法を組み合わせたReactIEを提案する。本手法では,テキスト内の頻繁なパターンを言語的手がかりとして用いて,化学反応の特異な特性を同定する。
論文 参考訳(メタデータ) (2023-07-04T02:52:30Z) - Graph Neural Networks for Temperature-Dependent Activity Coefficient
Prediction of Solutes in Ionic Liquids [58.720142291102135]
IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。
我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。
GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
論文 参考訳(メタデータ) (2022-06-23T15:27:29Z) - 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) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳(メタデータ) (2021-02-02T09:34:34Z) - Graph Neural Networks for the Prediction of Substrate-Specific Organic
Reaction Conditions [79.45090959869124]
有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。
実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
論文 参考訳(メタデータ) (2020-07-08T17:21:00Z)
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。