論文の概要: Leveraging Large Language Models as Knowledge-Driven Agents for Reliable Retrosynthesis Planning

• arxiv url: http://arxiv.org/abs/2501.08897v1
• Date: Wed, 15 Jan 2025 16:06:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:52:36.799715
• Title: Leveraging Large Language Models as Knowledge-Driven Agents for Reliable Retrosynthesis Planning
• Title（参考訳）: 信頼な再合成計画のための知識駆動エージェントとしての大規模言語モデルの活用
• Authors: Qinyu Ma, Yuhao Zhou, Jianfeng Li,
• Abstract要約: 大規模言語モデル(LLM)と知識グラフ(KG)を統合するエージェントシステムを提案する。 新しいMulti-branched Reaction Pathway Search (MBRPS)アルゴリズムは、全ての経路の探索を可能にする。 この研究は、LLMを動力とするマクロ分子に特化して、完全に自動化された再合成計画薬を開発する最初の試みである。
• 参考スコア（独自算出の注目度）: 11.191853171170516
• License:
• Abstract: Identifying reliable synthesis pathways in materials chemistry is a complex task, particularly in polymer science, due to the intricate and often non-unique nomenclature of macromolecules. To address this challenge, we propose an agent system that integrates large language models (LLMs) and knowledge graphs (KGs). By leveraging LLMs' powerful capabilities for extracting and recognizing chemical substance names, and storing the extracted data in a structured knowledge graph, our system fully automates the retrieval of relevant literatures, extraction of reaction data, database querying, construction of retrosynthetic pathway trees, further expansion through the retrieval of additional literature and recommendation of optimal reaction pathways. A novel Multi-branched Reaction Pathway Search (MBRPS) algorithm enables the exploration of all pathways, with a particular focus on multi-branched ones, helping LLMs overcome weak reasoning in multi-branched paths. This work represents the first attempt to develop a fully automated retrosynthesis planning agent tailored specially for macromolecules powered by LLMs. Applied to polyimide synthesis, our new approach constructs a retrosynthetic pathway tree with hundreds of pathways and recommends optimized routes, including both known and novel pathways, demonstrating its effectiveness and potential for broader applications.
• Abstract（参考訳）: 物質化学における信頼性の高い合成経路の同定は、特に高分子科学における複雑な課題である。 この課題に対処するために,大規模言語モデル(LLM)と知識グラフ(KG)を統合するエージェントシステムを提案する。 化学物質名を抽出し認識し,抽出したデータを構造化知識グラフに格納するLLMの強力な能力を活用することにより,本システムは,関連する文献の検索,反応データの抽出,データベースクエリ,再合成経路木の構築,追加文献の検索によるさらなる拡張,最適反応経路の推薦を完全自動化する。 新しいMulti-branched Reaction Pathway Search (MBRPS)アルゴリズムは、特にマルチブランチパスに焦点を当てた全ての経路の探索を可能にし、マルチブランチパスにおける弱い推論を克服するのに役立つ。 この研究は、LLMを動力とするマクロ分子に特化して、完全に自動化された再合成計画薬を開発する最初の試みである。 ポリイミド合成に応用し, 数百の経路を持つ逆合成経路木を構築し, 既知の経路と新規経路の両方を含む最適化経路を推奨し, その有効性と応用の可能性を示した。

関連論文リスト

• Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond [38.32974480709081]
  機械学習(ML)と人工知能(AI)の急速な出現は、化学に大きな変革をもたらした。 分光・分光データへのこれらの手法の適用は、分光機械学習(SpectraML)と呼ばれるが、いまだに研究が進んでいない。 我々はSpectraMLの統一的なレビューを行い、フォワードタスクと逆タスクの両方に対する最先端のアプローチを体系的に検証する。
  論文  参考訳（メタデータ） (2025-02-14T04:07:25Z)
• Automated, LLM enabled extraction of synthesis details for reticular materials from scientific literature [29.097783516208892]
  LLMを用いた段落分類と情報抽出を自動化した知識抽出パイプライン(KEP)を提案する。 LLMは、微調整や訓練を必要とせず、PDF文書から化学情報を検索できることを実証する。 これらの結果は,人間のアノテーションやデータキュレーションの取り組みを減らすKEPアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-11-05T20:08:23Z)
• From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
  クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。 CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。 本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
  論文  参考訳（メタデータ） (2024-09-19T02:51:54Z)
• 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)
• 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)
• 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)
• 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)
• 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。