論文の概要: Representation of Inorganic Synthesis Reactions and Prediction: Graphical Framework and Datasets

• arxiv url: http://arxiv.org/abs/2512.02947v1
• Date: Tue, 02 Dec 2025 17:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.978729
• Title: Representation of Inorganic Synthesis Reactions and Prediction: Graphical Framework and Datasets
• Title（参考訳）: 無機合成反応の表現と予測:グラフィカルな枠組みとデータセット
• Authors: Samuel Andrello, Daniel Alabi, Simon J. L. Billinge,
• Abstract要約: ActionGraphは、無機合成反応の合成操作の観点から、化学構造と手続き構造の両方を符号化する。 そこで,PCA-reduced ActionGraph の隣接行列を$k$-nearest 隣人検索モデルに組み込むことで,合成経路の予測が大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 3.1925030748447742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While machine learning has enabled the rapid prediction of inorganic materials with novel properties, the challenge of determining how to synthesize these materials remains largely unsolved. Previous work has largely focused on predicting precursors or reaction conditions, but only rarely on full synthesis pathways. We introduce the ActionGraph, a directed acyclic graph framework that encodes both the chemical and procedural structure, in terms of synthesis operations, of inorganic synthesis reactions. Using 13,017 text-mined solid-state synthesis reactions from the Materials Project, we show that incorporating PCA-reduced ActionGraph adjacency matrices into a $k$-nearest neighbors retrieval model significantly improves synthesis pathway prediction. While the ActionGraph framework only results in a 1.34% and 2.76% increase in precursor and operation F1 scores (average over varying numbers of PCA components) respectively, the operation length matching accuracy rises 3.4 times (from 15.8% to 53.3%). We observe an interesting trade-off where precursor prediction performance peaks at 10-11 PCA components while operation prediction continues improving up to 30 components. This suggests composition information dominates precursor selection while structural information is critical for operation sequencing. Overall, the ActionGraph framework demonstrates strong potential, and with further adoption, its full range of benefits can be effectively realized.
• Abstract（参考訳）: 機械学習によって無機材料の新しい性質を素早く予測できる一方で、これらの材料の合成方法を決定するという課題はほとんど未解決のままである。 これまでの研究は主に前駆体や反応条件の予測に焦点が当てられていたが、完全な合成経路にのみ焦点が当てられることは稀である。 本稿では, 無機合成反応の化学構造とプロシージャ構造の両方をエンコードする, 有向非環状グラフフレームワークであるActionGraphを紹介する。 材料プロジェクトからの13,017個のテキストマイニング固体合成反応を用いて,PCA-reduced ActionGraph の隣接行列を$k$-nearest 近傍の検索モデルに組み込むことで,合成経路の予測が大幅に向上することを示した。 ActionGraphフレームワークは前駆体と手術用F1スコアがそれぞれ1.34%、操作用F1スコアが2.76%増加している(PCAコンポーネントの平均値)のに対し、操作長マッチング精度は3.4倍(15.8%から53.3%)上昇している。 動作予測が最大30コンポーネントまで改善されている間、10-11 PCAコンポーネントで前駆体予測性能がピークとなる興味深いトレードオフを観測する。 このことは、構造情報が操作シーケンシングに不可欠である間に、構成情報が前駆的選択を支配することを示唆している。 全体として、ActionGraphフレームワークは強力なポテンシャルを示し、さらなる採用により、その全範囲のメリットを効果的に実現することができる。

関連論文リスト

• Rep3Net: An Approach Exploiting Multimodal Representation for Molecular Bioactivity Prediction [0.8049701904919515]
  初期の薬物発見では、標的タンパク質に対する分子の生物活性予測が重要な役割を果たす。 本稿では,Rep3Netを提案する。Rep3Netは,記述子データだけでなく,空間情報や関係情報も含む統合型ディープラーニングアーキテクチャである。 本モデルにより,ポリ[ADP-リボース]ポリメラーゼ1データセット上での生物活性予測が得られた。
  論文  参考訳（メタデータ） (2025-11-29T15:39:48Z)
• Chemist-aligned retrosynthesis by ensembling diverse inductive bias models [5.47805641978534]
  RetroChimeraは、相補的誘導バイアスを持つ2つの新たに開発されたコンポーネント上に構築されたフロンティア再合成モデルである。 トレーニングデータの外部で堅牢性を実証し、主要なモデルを大きなマージンで上回ります。 また、大手製薬会社から内部データセットへのゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2024-12-06T18:55:19Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization [0.0]
  反射型高エネルギー電子回折データの特徴抽出と機械学習による一般化を行う。 専門家ラベル付きデータの小さなセット(10)で定量的に予測関係を確立し、その後に成長したサンプルでかなりの時間を節約した。 これらの予測は、未解決の試行を回避し、後続のキャラクタリゼーションを減らし、材料合成の制御分解能を改善するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:03:55Z)
• 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)
• On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
  吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。 結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:57:04Z)
• Extracting Structured Seed-Mediated Gold Nanorod Growth Procedures from Literature with GPT-3 [52.59930033705221]
  1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。 1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。
  論文  参考訳（メタデータ） (2023-04-26T22:21:33Z)
• 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)
• ChemiRise: a data-driven retrosynthesis engine [19.52621175562223]
  ケミリゼは、有機化合物を迅速かつ確実に再合成する完全な経路を提案することができる。 システムは300万以上の有機反応を処理した特許データベース上で訓練された。
  論文  参考訳（メタデータ） (2021-08-09T05:13:14Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。