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

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• log-RRIM: Yield Prediction via Local-to-global Reaction Representation Learning and Interaction Modeling [6.310759215182946]
  log-RRIMは、化学反応の収量を予測するために設計された革新的なグラフトランスフォーマーベースのフレームワークである。 本手法は,一意の局所的-グローバル的反応表現学習戦略を実装している。 反応剤-試薬相互作用の高度なモデリングと小さな分子断片への感受性により、化学合成における反応計画と最適化のための貴重なツールとなる。
  論文  参考訳（メタデータ） (2024-10-20T18:35:56Z)
• 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)
• 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)
• Beyond the Typical: Modeling Rare Plausible Patterns in Chemical Reactions by Leveraging Sequential Mixture-of-Experts [42.9784548283531]
  TransformerやVAEのような生成モデルは一般的に反応生成物を予測するために使用される。 反応物と電子再分配パターンのマッピング空間を分割・分散的に整理することを提案する。
  論文  参考訳（メタデータ） (2023-10-07T03:18:26Z)
• 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)
• 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)
• 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)

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。