論文の概要: Retrieval-Augmented Generative Agent for Reaction Condition Recommendation in Chemical Synthesis

• arxiv url: http://arxiv.org/abs/2311.10776v3
• Date: Sat, 6 Jan 2024 08:27:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 22:25:22.388299
• Title: Retrieval-Augmented Generative Agent for Reaction Condition Recommendation in Chemical Synthesis
• Title（参考訳）: 化学合成における反応条件勧告のための検索増強剤
• Authors: Kexin Chen, Junyou Li, Kunyi Wang, Yuyang Du, Jiahui Yu, Jiamin Lu, Lanqing Li, Jiezhong Qiu, Jianzhang Pan, Yi Huang, Qun Fang, Pheng Ann Heng, Guangyong Chen
• Abstract要約: 本研究では,化学における反応条件レコメンデーション(RCR)タスクを自動化する変換型AIエージェントを提案する。 専門家の化学者による探索・分析戦略をエミュレートすることで、エージェントは大規模言語モデル(LLM)を用いて分子データベースを問合せし、オンライン文献から重要なデータを抽出する。 RAG技術のおかげで、我々のエージェントは、更新されたオンラインデータベースを知識ソースとして使用し、トレーニングデータ内の固定された知識に制限された従来のAIを著しく上回ります。
• 参考スコア（独自算出の注目度）: 59.11837224347467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent artificial intelligence (AI) research plots a promising future of automatic chemical reactions within the chemistry society. This study presents a transformative AI agent that automates the reaction condition recommendation (RCR) task in chemistry using retrieval-augmented generation (RAG) technology. By emulating expert chemists search and analysis strategies, the agent employs large language models (LLMs) to interrogate molecular databases and distill critical data from online literature. Further, the AI agent is equipped with our novel reaction fingerprint developed for the RCR task. Thanks to the RAG technology, our agent uses updated online databases as knowledge sources, significantly outperforming conventional AIs confined to the fixed knowledge within its training data. The resulting system can significantly reduce chemists workload, allowing them to focus on more fundamental and creative scientific problems. This significant advancement brings closer computational techniques and chemical research, marking a considerable leap toward harnessing AI's full capabilities in chemical discovery.
• Abstract（参考訳）: 近年の人工知能(AI)研究は,化学社会における化学自動反応の未来を示唆している。 本研究では, 化学における反応条件レコメンデーション(RCR)タスクを, 検索強化生成(RAG)技術を用いて自動化するトランスフォーメーションAIエージェントを提案する。 専門家の化学者による探索・分析戦略をエミュレートすることで、エージェントは大規模言語モデル(LLM)を用いて分子データベースを問合せし、オンライン文献から重要なデータを抽出する。 さらに、AIエージェントは、RCRタスク用に開発された新しい反応指紋を備える。 RAG技術のおかげで、我々のエージェントは、更新されたオンラインデータベースを知識ソースとして使用し、トレーニングデータ内の固定された知識に制限された従来のAIを著しく上回ります。 結果として生じるシステムは、化学者の作業量を著しく削減し、より根本的で創造的な科学的問題に集中することができる。 この大きな進歩は、より近い計算技術と化学研究をもたらし、化学発見におけるAIの全能力を活用するための大きな飛躍となった。

関連論文リスト

• Validation of the Scientific Literature via Chemputation Augmented by Large Language Models [0.0]
  化学計算は、普遍的な記号言語を用いて実験を行うための化学ロボットをプログラミングするプロセスである。 大規模言語モデル(LLM)は、自然言語処理、ロボット制御、最近では化学など、様々な分野において顕著な能力を発揮している。 本稿では,合成文芸手順の自動検証を目的としたLCMベースの化学研究エージェントワークフローを提案する。
  論文  参考訳（メタデータ） (2024-10-08T21:31:42Z)
• 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)
• Text-Augmented Multimodal LLMs for Chemical Reaction Condition Recommendation [50.639325453203504]
  MM-RCRは、化学反応レコメンデーション(RCR)のためのSMILES、反応グラフ、テキストコーパスから統一的な反応表現を学習するテキスト拡張マルチモーダルLLMである。 この結果から,MM-RCRは2つのオープンベンチマークデータセット上で最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-21T12:27:26Z)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• 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)
• ChemCrow: Augmenting large-language models with chemistry tools [0.9195187117013247]
  大規模言語モデル(LLM)は、領域全体にわたるタスクにおいて高いパフォーマンスを示してきたが、化学に関連した問題に悩まされている。 本研究では, 有機合成, 創薬, 材料設計における課題を遂行するLLM化学剤であるChemCrowを紹介する。 我々のエージェントは、昆虫の忌避剤である3種の有機触媒の合成を自律的に計画し、実行し、新しいクロモフォアの発見を導いた。
  論文  参考訳（メタデータ） (2023-04-11T17:41:13Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• 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)

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。