論文の概要: AI for Interpretable Chemistry: Predicting Radical Mechanistic Pathways
via Contrastive Learning
- arxiv url: http://arxiv.org/abs/2311.01118v1
- Date: Thu, 2 Nov 2023 09:47:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 14:01:33.665870
- Title: AI for Interpretable Chemistry: Predicting Radical Mechanistic Pathways
via Contrastive Learning
- Title(参考訳): 解釈可能な化学のためのAI:コントラスト学習によるラジカル力学経路の予測
- Authors: Mohammadamin Tavakoli, Yin Ting T.Chiu, Alexander Shmakov, Ann Marie
Carlton, David Van Vranken, Pierre Baldi
- Abstract要約: RMechRPは、新しいディープラーニングベースの反応予測システムである。
我々は、ラジカル反応の公開データベースであるRMechDBを用いてモデルを開発し、訓練する。
本研究は,RMechRPが正確かつ解釈可能な予測に有効であることを示す。
- 参考スコア(独自算出の注目度): 45.379791270351184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based reaction predictors have undergone significant
architectural evolution. However, their reliance on reactions from the US
Patent Office results in a lack of interpretable predictions and limited
generalization capability to other chemistry domains, such as radical and
atmospheric chemistry. To address these challenges, we introduce a new reaction
predictor system, RMechRP, that leverages contrastive learning in conjunction
with mechanistic pathways, the most interpretable representation of chemical
reactions. Specifically designed for radical reactions, RMechRP provides
different levels of interpretation of chemical reactions. We develop and train
multiple deep-learning models using RMechDB, a public database of radical
reactions, to establish the first benchmark for predicting radical reactions.
Our results demonstrate the effectiveness of RMechRP in providing accurate and
interpretable predictions of radical reactions, and its potential for various
applications in atmospheric chemistry.
- Abstract(参考訳): ディープラーニングに基づく反応予測器は、重要なアーキテクチャの進化を遂げている。
しかし、米国特許庁からの反応への依存は、解釈可能な予測の欠如と、ラジカルや大気化学のような他の化学領域への一般化能力の制限をもたらす。
これらの課題に対処するため,反応予測システムRMechRPを導入し,化学反応の最も解釈可能な表現である機械的経路と対比学習を併用した。
具体的にはラジカル反応のために設計され、RMechRPは化学反応の解釈レベルが異なる。
我々は,ラジカル反応の公開データベースであるrmechdbを用いて,複数のディープラーニングモデルを開発し,学習し,ラジカル反応を予測するための最初のベンチマークを確立する。
その結果, RMechRPがラジカル反応の高精度かつ解釈可能な予測に有効であること, 大気化学における様々な応用の可能性を示した。
関連論文リスト
- Beyond Major Product Prediction: Reproducing Reaction Mechanisms with
Machine Learning Models Trained on a Large-Scale Mechanistic Dataset [10.968137261042715]
有機反応の機械的理解は、反応の発生、不純物予測、そして原則として反応発見を促進する。
いくつかの機械学習モデルは、反応生成物を予測するタスクに対処しようとしているが、反応機構を予測するための拡張は、対応する力学データセットの欠如によって妨げられている。
実験によって報告された反応物質と生成物の中間体を専門家の反応テンプレートを用いて入力し、その結果の5,184,184個の基本ステップに基づいて機械学習モデルを訓練することにより、そのようなデータセットを構築する。
論文 参考訳(メタデータ) (2024-03-07T15:26:23Z) - Machine Learning for Polaritonic Chemistry: Accessing chemical kinetics [0.0]
我々は、密度汎関数理論計算と分子動力学を用いて訓練された機械学習(ML)モデルの組み合わせに基づく枠組みを確立する。
我々は, 1-フェニル-2-トリメチルシリルアセチレンの脱保護反応における強結合, 反応速度定数の変化, エンタルピーおよびエントロピーへの影響を評価した。
我々は、特に運動学の変化に関して、批判的な実験的な観察と質的な一致を見いだす一方で、過去の理論的予測との違いも見いだす。
論文 参考訳(メタデータ) (2023-11-16T10:08:44Z) - 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) - A Unified View of Deep Learning for Reaction and Retrosynthesis
Prediction: Current Status and Future Challenges [59.41636061300571]
反応と再合成予測は計算化学の基本的な課題である。
これらの問題に対処するために、様々なディープラーニングアプローチが提案されている。
本報告は,反応の統一的理解と再合成予測を目的とした,初めての総合的かつ体系的な調査である。
論文 参考訳(メタデータ) (2023-06-28T03:15:55Z) - Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction
Representation [70.97737157902947]
現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。
ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。
我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
論文 参考訳(メタデータ) (2022-01-02T12:33:10Z) - Self-Improved Retrosynthetic Planning [66.5397931294144]
再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。
最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。
そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-09T08:03:57Z) - Non-Autoregressive Electron Redistribution Modeling for Reaction
Prediction [26.007965383304864]
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。
論文 参考訳(メタデータ) (2021-06-08T16:39:08Z) - 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) - 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。