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
- 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) - 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) - Fine-Grained Chemical Entity Typing with Multimodal Knowledge
Representation [36.6963949360594]
核となる化学文献から化学反応に関する詳細な知識を抽出する方法は、新たな課題である。
本稿では, 微細な化学エンティティタイピングの問題を解決するために, マルチモーダル表現学習フレームワークを提案する。
実験の結果,提案手法は複数の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2021-08-29T19:41:35Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z) - Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-06T05:36:57Z)
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。