論文の概要: Chemist-X: Large Language Model-empowered Agent for Reaction Condition
Recommendation in Chemical Synthesis
- arxiv url: http://arxiv.org/abs/2311.10776v4
- Date: Thu, 1 Feb 2024 04:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 18:49:18.571333
- Title: Chemist-X: Large Language Model-empowered Agent for Reaction Condition
Recommendation in Chemical Synthesis
- Title(参考訳): ケミカルx : 化学合成における反応条件推薦のための大型言語モデルエンパワー剤
- 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: Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。
Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。
Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
- 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 AI research plots a promising future of automatic chemical reactions
within the chemistry society. This study proposes Chemist-X, a transformative
AI agent that automates the reaction condition recommendation (RCR) task in
chemical synthesis with retrieval-augmented generation (RAG) technology. To
emulate expert chemists' strategies when solving RCR tasks, Chemist-X utilizes
advanced RAG schemes to interrogate online molecular databases and distill
critical data from the latest literature database. Further, the agent leverages
state-of-the-art computer-aided design (CAD) tools with a large language model
(LLM) supervised programming interface. With the ability to utilize updated
chemical knowledge and CAD tools, our agent significantly outperforms
conventional synthesis AIs confined to the fixed knowledge within its training
data. Chemist-X considerably reduces chemists' workload and allows them to
focus on more fundamental and creative problems, thereby bringing closer
computational techniques and chemical research and making a remarkable leap
toward harnessing AI's full capabilities in scientific discovery.
- Abstract(参考訳): 最近のAI研究は、化学社会における自動化学反応の将来をプロットしている。
本研究では, 化学合成における反応条件レコメンデーション(RCR)タスクを, 検索増強生成(RAG)技術で自動化する変換型AIエージェントであるChemist-Xを提案する。
rcrの課題を解決する際、専門家の化学者の戦略をエミュレートするために、ケミカルxは高度なragスキームを利用してオンライン分子データベースを尋問し、最新の文献データベースから臨界データを蒸留する。
さらに、このエージェントは、大規模言語モデル(llm)によるプログラミングインタフェースを備えた最先端のcad(computer-aided design)ツールを活用する。
化学知識の更新とcadツールの活用により,従来の合成aisをトレーニングデータ内の一定の知識に限定した精度で評価した。
Chemist-Xは化学者の作業量を著しく減らし、より根本的で創造的な問題に集中できるようにし、より高度な計算技術と化学研究をもたらし、科学的な発見においてAIの全能力を活用するための驚くべき飛躍を成し遂げる。
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) - ChemLLM: A Chemical Large Language Model [50.32558290635367]
大規模言語モデル(LLM)は化学応用において顕著な進歩を遂げた。
ChemLLMは化学に特化した最初の大規模言語モデルである。
ChemLLMは化学の3つの主要なタスク全てでGPT-3.5を破る。
論文 参考訳(メタデータ) (2024-02-10T01:11:59Z) - 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)
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。