論文の概要: Retrieval-Retro: Retrieval-based Inorganic Retrosynthesis with Expert Knowledge
- arxiv url: http://arxiv.org/abs/2410.21341v1
- Date: Mon, 28 Oct 2024 04:37:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-30 13:41:58.803106
- Title: Retrieval-Retro: Retrieval-based Inorganic Retrosynthesis with Expert Knowledge
- Title（参考訳）: Retrieval-Retro: Retrieval-based Inorganic Retro synthesis with Expert Knowledge (特集:バイオサイバネティックスとバイオサイバネティックス)
- Authors: Heewoong Noh, Namkyeong Lee, Gyoung S. Na, Chanyoung Park,
- Abstract要約: 本稿では, 参照材料の前駆体情報を暗黙的に抽出する無機レトロ合成計画のためのRetrieval-Retroを提案する。
検索において,対象物質と前駆体との熱力学的関係を考察する。
Retrieval-Retroのレトロ合成計画における優位性、特に新規合成レシピの発見について実験を行った。
- 参考スコア（独自算出の注目度）: 25.234422666357947
- License:
- Abstract: While inorganic retrosynthesis planning is essential in the field of chemical science, the application of machine learning in this area has been notably less explored compared to organic retrosynthesis planning. In this paper, we propose Retrieval-Retro for inorganic retrosynthesis planning, which implicitly extracts the precursor information of reference materials that are retrieved from the knowledge base regarding domain expertise in the field. Specifically, instead of directly employing the precursor information of reference materials, we propose implicitly extracting it with various attention layers, which enables the model to learn novel synthesis recipes more effectively. Moreover, during retrieval, we consider the thermodynamic relationship between target material and precursors, which is essential domain expertise in identifying the most probable precursor set among various options. Extensive experiments demonstrate the superiority of Retrieval-Retro in retrosynthesis planning, especially in discovering novel synthesis recipes, which is crucial for materials discovery. The source code for Retrieval-Retro is available at https://github.com/HeewoongNoh/Retrieval-Retro.
- Abstract（参考訳）: 無機レトロシンセプション計画は化学分野において不可欠であるが, この領域における機械学習の適用は, 有機レトロシンセプション計画と比較して明らかに研究されていない。
本稿では,無機レトロシンセシス計画のためのレトリーバル・レトロを提案する。このレトリーバル・レトロは,この分野におけるドメインの専門知識に関する知識ベースから抽出された参照材料の前駆的情報を暗黙的に抽出する。
具体的には,参照資料の前駆的な情報を直接活用するのではなく,様々な注意層で暗黙的に抽出し,新しい合成レシピをより効果的に学習することができるようにすることを提案する。
さらに, 対象物質と前駆体との熱力学的関係を考察し, 様々な選択肢の中で最も可能性の高い前駆体を同定するために必要な領域知識について考察する。
大規模な実験は、レトロ合成計画におけるレトリーヴァル・レトロの優位性、特に材料発見に不可欠な新しい合成レシピの発見を証明している。
Retrieval-Retroのソースコードはhttps://github.com/HeewoongNoh/Retrieval-Retroで入手できる。
関連論文リスト
- 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) - 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) - Precursor recommendation for inorganic synthesis by machine learning
materials similarity from scientific literature [0.0]
我々は、29,900個の固体合成レシピの知識ベースを使用して、新規なターゲット物質の合成を推奨する前駆体を自動的に学習する。
データ駆動型アプローチは材料の化学的類似性を学習し、類似材料の前駆的な合成手順に新しいターゲットの合成を言及する。
我々のアプローチは、何十年もの合成データを数学的形式で捉え、レコメンデーションエンジンや自律的な研究室での使用を可能にします。
論文 参考訳（メタデータ） (2023-02-05T04:57:59Z) - Recent advances in artificial intelligence for retrosynthesis [29.32667622776065]
再合成は有機化学の基盤であり、化学者が物質や医薬品の製造に不慣れで新しい分子にアクセスできるようにしている。
人工知能による最近のブレークスルーは、レトロシンセシスに革命をもたらした。
論文 参考訳（メタデータ） (2023-01-14T09:29:39Z) - MechRetro is a chemical-mechanism-driven graph learning framework for
interpretable retrosynthesis prediction and pathway planning [10.364476820771607]
MechRetroは、再合成予測と経路計画を解釈可能なグラフ学習フレームワークである。
化学知識を先行情報として統合することにより,新しいグラフトランスアーキテクチャを設計する。
我々はMechRetroが、大規模なベンチマークデータセットに対して大きなマージンで、レトロシンセティック予測のための最先端のアプローチよりも優れていることを実証した。
論文 参考訳（メタデータ） (2022-10-06T01:27:53Z) - FusionRetro: Molecule Representation Fusion via In-Context Learning for
Retrosynthetic Planning [58.47265392465442]
再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。
現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。
本稿では,文脈情報を利用した新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-30T08:44:58Z) - Retroformer: Pushing the Limits of Interpretable End-to-end
Retrosynthesis Transformer [15.722719721123054]
再合成予測は有機合成の基本的な課題の1つである。
本稿では,レトロシンセシス予測のためのトランスフォーマーに基づく新しいアーキテクチャであるRetroformerを提案する。
Retroformerは、エンドツーエンドのテンプレートフリーレトロシンセシスのための新しい最先端の精度に達する。
論文 参考訳（メタデータ） (2022-01-29T02:03:55Z) - 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) - 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) - Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。
既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。
本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
論文 参考訳（メタデータ） (2020-06-29T05:53:33Z)
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。