論文の概要: A Self-feedback Knowledge Elicitation Approach for Chemical Reaction Predictions

• arxiv url: http://arxiv.org/abs/2404.09606v1
• Date: Mon, 15 Apr 2024 09:26:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 13:38:59.024186
• Title: A Self-feedback Knowledge Elicitation Approach for Chemical Reaction Predictions
• Title（参考訳）: 化学反応予測のための自己フィードバック知識抽出手法
• Authors: Pengfei Liu, Jun Tao, Zhixiang Ren,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.80165173525286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of chemical reaction predictions (CRPs) plays a pivotal role in advancing drug discovery and material science. However, its effectiveness is constrained by the vast and uncertain chemical reaction space and challenges in capturing reaction selectivity, particularly due to existing methods' limitations in exploiting the data's inherent knowledge. To address these challenges, we introduce a data-curated self-feedback knowledge elicitation approach. This method starts from iterative optimization of molecular representations and facilitates the extraction of knowledge on chemical reaction types (RTs). Then, we employ adaptive prompt learning to infuse the prior knowledge into the large language model (LLM). As a result, we achieve significant enhancements: a 14.2% increase in retrosynthesis prediction accuracy, a 74.2% rise in reagent prediction accuracy, and an expansion in the model's capability for handling multi-task chemical reactions. This research offers a novel paradigm for knowledge elicitation in scientific research and showcases the untapped potential of LLMs in CRPs.
• Abstract（参考訳）: 化学反応予測(CRPs)の課題は、薬物発見と物質科学の進展において重要な役割を担っている。 しかし、その有効性は、膨大な不確実な化学反応空間と、特にデータ固有の知識を利用する既存の方法の限界のために、反応選択性を取得することの難しさに制約されている。 これらの課題に対処するため,データ処理による自己フィードバック型知識推論手法を提案する。 この方法は、分子表現の反復最適化から始まり、化学反応型(RT)に関する知識の抽出を容易にする。 次に,適応的な即時学習を用いて,事前知識を大規模言語モデル(LLM)に注入する。 その結果,レトロ合成予測精度が14.2%向上し,試薬予測精度が74.2%上昇し,マルチタスク化学反応の処理能力が向上した。 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し、CRPにおけるLLMの未解決の可能性を示す。

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)
• ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
  我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。 我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。 この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
  論文  参考訳（メタデータ） (2024-07-14T05:53:18Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Holistic chemical evaluation reveals pitfalls in reaction prediction models [0.3065062372337749]
  本稿では, より総合的な評価をめざして, 現状のアプローチに基づく新たな評価手法を提案する。 ChoRISOは、化学的に関連するシナリオを再現するために、複数の調整された分割と共に、キュレートされたデータセットである。 私たちの研究は、最終的に化学発見を加速できる堅牢な予測モデルへの道を開いた。
  論文  参考訳（メタデータ） (2023-12-14T14:54:28Z)
• AI for Interpretable Chemistry: Predicting Radical Mechanistic Pathways via Contrastive Learning [45.379791270351184]
  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。
  論文  参考訳（メタデータ） (2023-11-02T09:47:27Z)
• 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)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• 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)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。