論文の概要: AOT*: Efficient Synthesis Planning via LLM-Empowered AND-OR Tree Search

• arxiv url: http://arxiv.org/abs/2509.20988v1
• Date: Thu, 25 Sep 2025 10:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.843719
• Title: AOT*: Efficient Synthesis Planning via LLM-Empowered AND-OR Tree Search
• Title（参考訳）: AOT*:LLMを利用した樹木探索による効率的な合成計画
• Authors: Xiaozhuang Song, Xuanhao Pan, Xinjian Zhao, Hangting Ye, Shufei Zhang, Jian Tang, Tianshu Yu,
• Abstract要約: AOT*は、LLM生成化学合成経路と系統的なAND-OR木探索を統合することで、レトロシンセティックプランニングを変換するフレームワークである。 AOT* は、既存の LLM ベースのアプローチよりも 3-5$times$ のイテレーションを減らして、競争力のある解決率を示す。
• 参考スコア（独自算出の注目度）: 22.026497456502806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrosynthesis planning enables the discovery of viable synthetic routes for target molecules, playing a crucial role in domains like drug discovery and materials design. Multi-step retrosynthetic planning remains computationally challenging due to exponential search spaces and inference costs. While Large Language Models (LLMs) demonstrate chemical reasoning capabilities, their application to synthesis planning faces constraints on efficiency and cost. To address these challenges, we introduce AOT*, a framework that transforms retrosynthetic planning by integrating LLM-generated chemical synthesis pathways with systematic AND-OR tree search. To this end, AOT* atomically maps the generated complete synthesis routes onto AND-OR tree components, with a mathematically sound design of reward assignment strategy and retrieval-based context engineering, thus enabling LLMs to efficiently navigate in the chemical space. Experimental evaluation on multiple synthesis benchmarks demonstrates that AOT* achieves SOTA performance with significantly improved search efficiency. AOT* exhibits competitive solve rates using 3-5$\times$ fewer iterations than existing LLM-based approaches, with the efficiency advantage becoming more pronounced on complex molecular targets.
• Abstract（参考訳）: 再合成計画により、標的分子の生存可能な合成経路の発見が可能となり、薬物発見や材料設計といった領域において重要な役割を果たす。 多段階の逆合成計画は指数探索空間と推論コストのために計算的に困難である。 LLM(Large Language Models)は化学推論能力を示すが、それらの合成計画への応用は効率とコストの制約に直面している。 これらの課題に対処するために,LLM生成した化学合成経路と系統的なAND-OR木探索を統合することで,再合成計画の変換を行うフレームワークであるAOT*を導入する。 この目的のために、AOT*は生成した完全合成経路をAND-ORツリーコンポーネントにアトミックにマッピングし、報酬割り当て戦略と検索ベースのコンテキストエンジニアリングの数学的に健全な設計により、LSMを化学空間内で効率的にナビゲートすることができる。 複数の合成ベンチマーク実験により, AOT* がSOTA 性能を実現し, 探索効率が大幅に向上したことが示された。 AOT* は、既存の LLM ベースのアプローチよりも 3-5$\times$ のイテレーションを減らし、複雑な分子標的において効率の優位性がより顕著になる。

関連論文リスト

• Rethinking Molecule Synthesizability with Chain-of-Reaction [47.744071119775676]
  合成可能な投影のための生成フレームワークであるReaSynを紹介する。 大規模言語モデル(LLM)における推論経路に類似した合成経路を考慮した新しい視点を提案する。 CoR表記により、ReaSynは化学反応規則を明示的に学習する全ての反応ステップにおいて、密集した監督を受けることができる。
  論文  参考訳（メタデータ） (2025-09-19T15:29:57Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• LLM-Augmented Chemical Synthesis and Design Decision Programs [18.41721617026997]
  反応経路を符号化する効率的な手法を導入し,新しい経路レベルの探索戦略を提案する。 我々は,LLMを付加したアプローチがレトロシンセプション計画に優れており,より広範な分子設計の課題に自然に及んでいることを示す。
  論文  参考訳（メタデータ） (2025-05-11T15:43:00Z)
• A User-Tunable Machine Learning Framework for Step-Wise Synthesis Planning [9.502407569651321]
  MHNpathは、コンピュータ支援合成計画のための機械学習駆動の逆合成ツールである。 我々は、ChemByDesignの複雑な分子を含むケーススタディを通じて、その効果を実証する。 ケーススタディでは, グリーン溶媒を用いたより短く, 安価で, 温暖な経路を生成できることが判明した。
  論文  参考訳（メタデータ） (2025-04-03T00:23:21Z)
• Automated Retrosynthesis Planning of Macromolecules Using Large Language Models and Knowledge Graphs [11.191853171170516]
  大規模言語モデル(LLM)と知識グラフを統合するエージェントシステムを提案する。 本システムは,関係する文献の検索,反応データの抽出,データベースクエリ,逆合成経路木の構築を完全自動化する。 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。
  論文  参考訳（メタデータ） (2025-01-15T16:06:10Z)
• 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)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• Retrosynthetic Planning with Experience-Guided Monte Carlo Tree Search [10.67810457039541]
  逆合成計画では、複雑な分子を合成する膨大な数の経路が、可能性の爆発に繋がる。 現在のアプローチは、化学的知識が限られている人や機械で訓練されたスコア関数に依存している。 検索中に合成経験から知識を学ぶための体験指導ネットワークを構築した。
  論文  参考訳（メタデータ） (2021-12-11T17:14:15Z)
• 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。