論文の概要: SynthStrategy: Extracting and Formalizing Latent Strategic Insights from LLMs in Organic Chemistry
- arxiv url: http://arxiv.org/abs/2512.01507v1
- Date: Mon, 01 Dec 2025 10:33:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 19:46:34.80321
- Title: SynthStrategy: Extracting and Formalizing Latent Strategic Insights from LLMs in Organic Chemistry
- Title（参考訳）: 合成戦略:有機化学におけるLCMからの潜在戦略の抽出と定式化
- Authors: Daniel Armstrong, Zlatko Jončev, Andres M Bran, Philippe Schwaller,
- Abstract要約: 本稿では,大規模言語モデルを用いて合成知識をコードに抽出する手法を提案する。
本システムでは, 合成経路を解析し, 戦略原理を多種多様な戦略的, 戦術的ルールを表すPython関数に変換する。
この研究は、CASPにおける戦術的戦略的分割を橋渡しし、戦略的基準によるルートの仕様、探索、評価を可能にする。
- 参考スコア（独自算出の注目度）: 4.220916808049659
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern computer-assisted synthesis planning (CASP) systems show promises at generating chemically valid reaction steps but struggle to incorporate strategic considerations such as convergent assembly, protecting group minimization, and optimal ring-forming sequences. We introduce a methodology that leverages Large Language Models to distill synthetic knowledge into code. Our system analyzes synthesis routes and translates strategic principles into Python functions representing diverse strategic and tactical rules, such as strategic functional group interconversions and ring construction strategies. By formalizing this knowledge as verifiable code rather than simple heuristics, we create testable, interpretable representations of synthetic strategy. We release the complete codebase and the USPTO-ST dataset -- synthesis routes annotated with strategic tags. This framework unlocks a novel capability for CASP: natural language-based route retrieval, achieving 75\% Top-3 accuracy on our benchmark. We further validate our library through temporal analysis of historical trends and chemically intuitive route clustering that offers more granular partitioning than common previous methods. This work bridges the tactical-strategic divide in CASP, enabling specification, search, and evaluation of routes by strategic criteria rather than structure alone.
- Abstract（参考訳）: 現代のコンピュータ支援合成計画システム(CASP)は、化学的に有効な反応ステップを生成することを約束するが、収束アセンブリ、グループ最小化の保護、最適なリング形成シーケンスといった戦略的考察を統合するのに苦労している。
本稿では,大規模言語モデルを用いて合成知識をコードに抽出する手法を提案する。
本システムでは, 戦略的機能群間変換やリング構築戦略など, 多様な戦略的, 戦術的ルールを表すPython関数に, 戦略的原理を翻訳する。
この知識を単純なヒューリスティックスではなく検証可能なコードとして形式化することにより、我々は合成戦略の検証可能な解釈可能な表現を作成する。
完全なコードベースとUSPTO-STデータセット -- 戦略的タグを付加した合成ルート -- をリリースします。
このフレームワークは、CASPの新たな機能である自然言語ベースのルート検索を解放し、ベンチマークで75%のTop-3精度を達成する。
さらに,従来の方法よりも粒度を細かく分割する手法として,歴史的傾向の時間的分析,化学的に直感的な経路クラスタリングなどを通じて,図書館の検証を行っている。
この作業は、CASPにおける戦術的戦略的な分割を橋渡しし、構造のみではなく、戦略的基準によるルートの仕様、探索、評価を可能にする。
関連論文リスト
- Experience-Guided Adaptation of Inference-Time Reasoning Strategies [49.954515048847874]
Experience-Guided Reasoner (EGuR) は蓄積された経験に基づいて推論時に調整された戦略を生成する。
EGuRは最強のベースラインに対して最大14%の精度向上を実現し、計算コストを最大111倍に削減する。
論文 参考訳（メタデータ） (2025-11-14T17:45:28Z) - Reinforced Strategy Optimization for Conversational Recommender Systems via Network-of-Experts [63.412646471177645]
会話レコメンダシステム(CRS)のための新しい強化戦略最適化(RSO)手法を提案する。
RSOは、戦略駆動型応答決定をマクロレベルの戦略計画とマイクロレベルの戦略適応に分解する。
実験の結果, RSOは最先端のベースラインと比較して, インタラクション性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2025-09-30T11:12:01Z) - Plan before Solving: Problem-Aware Strategy Routing for Mathematical Reasoning with LLMs [49.995906301946]
既存の手法は通常、数学的推論を行うためにLLM(Large Language Models)をガイドするための固定戦略を利用する。
分析の結果,単一戦略は問題固有の要件に適応できず,有効性と効率性のトレードオフを見落としていることが明らかとなった。
本稿では,PRISM(Planning and Routing through Instance-Specific Modeling)を提案する。
論文 参考訳（メタデータ） (2025-09-29T07:22:41Z) - Simplicity Lies in the Eye of the Beholder: A Strategic Perspective on Controllers in Reactive Synthesis [0.5156484100374059]
この貢献は、様々な文脈における戦略の複雑さに焦点を当てている。
記憶とランダム性に関する最近の結果について論じるとともに、戦略の複雑さという従来の概念を超えて何が起きているのかを簡単に見てみよう。
論文 参考訳（メタデータ） (2025-09-04T11:54:19Z) - Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。
その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。
本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文 参考訳（メタデータ） (2025-08-28T13:00:28Z) - Strategy-Augmented Planning for Large Language Models via Opponent Exploitation [11.840105106884543]
LLMエージェントの攻撃的利用能力を大幅に向上させる2段階戦略拡張計画(SAP)フレームワークを提案する。
オフラインの段階では、明示的な戦略空間を構築し、その後戦略評価ネットワーク(SEN)をトレーニングするための戦略アウトカムペアデータを収集する。
オンラインフェーズでは、SAPは相手の戦略を動的に認識し、よく訓練されたSEN上で最良のレスポンス戦略を探索することにより、それらを強引に活用する。
論文 参考訳（メタデータ） (2025-05-13T11:41:10Z) - EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning [69.55982246413046]
戦略的推論のための明示的なポリシー最適化(EPO)を提案する。
我々は,マルチターン強化学習(RL)による戦略的推論モデルを訓練し,プロセス報酬と反復的な自己プレイを活用する。
本研究は, EPOに出現する様々な協調的推論機構と, 新規戦略の創出における有効性を明らかにするものである。
論文 参考訳（メタデータ） (2025-02-18T03:15:55Z) - Recommending Actionable Strategies: A Semantic Approach to Integrating Analytical Frameworks with Decision Heuristics [0.0]
本稿では,戦略フレームワークと決定をセマンティック分析を通じて統合することで,行動可能な戦略を推奨する新しいアプローチを提案する。
我々の手法は、先進自然言語処理(NLP)を用いてこのギャップを橋渡しし、6CモデルのようなフレームワークをThirty-Six Stratagemsに統合することで実証した。
論文 参考訳（メタデータ） (2025-01-24T16:53:37Z) - K-Level Reasoning: Establishing Higher Order Beliefs in Large Language Models for Strategic Reasoning [76.3114831562989]
マルチエージェント環境で戦略を動的に適応させるためには、LLM(Large Language Model)エージェントが必要である。
我々は,「K-Level Reasoning with Large Language Models (K-R)」という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） (2024-02-02T16:07:05Z) - Logic-Q: Improving Deep Reinforcement Learning-based Quantitative Trading via Program Sketch-based Tuning [9.039809980024852]
論理Qと呼ばれるQトレーディングのための普遍的な論理誘導型深層強化学習フレームワークを提案する。
特に、Logic-Qは、スケッチによるプログラム合成を採用し、軽量でプラグアンドプレイの市場トレンド対応のプログラムスケッチを活用して、市場の動向を決定するロジック誘導モデル設計を導入する。
2つの一般的な量的トレーディングタスクの広範囲な評価は、Logic-Qが従来の最先端DRLトレーディング戦略の性能を大幅に改善できることを示している。
論文 参考訳（メタデータ） (2023-10-09T09:20:13Z) - Exploration Policies for On-the-Fly Controller Synthesis: A
Reinforcement Learning Approach [0.0]
強化学習(RL)に基づく非有界学習のための新しい手法を提案する。
我々のエージェントは、非常に観察可能な部分的なRLタスクでスクラッチから学習し、トレーニング中に見つからないケースで、全体のパフォーマンスを上回ります。
論文 参考訳（メタデータ） (2022-10-07T20:28:25Z)
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。