論文の概要: Synthelite: Chemist-aligned and feasibility-aware synthesis planning with LLMs

• arxiv url: http://arxiv.org/abs/2512.16424v1
• Date: Thu, 18 Dec 2025 11:24:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.02899
• Title: Synthelite: Chemist-aligned and feasibility-aware synthesis planning with LLMs
• Title（参考訳）: Synthelite: LLMを用いたケミストアライメントと実現可能性を考慮した合成計画
• Authors: Nguyen Xuan-Vu, Daniel Armstrong, Milena Wehrbach, Andres M Bran, Zlatko Jončev, Philippe Schwaller,
• Abstract要約: 本稿では,大規模な言語モデルを用いてレトロシンセティック変換を提案する合成計画フレームワークであるSyntheliteを紹介する。 シンセライトは、LLMの本質的な化学知識と推論能力を活用することによって、エンドツーエンドの合成経路を生成することができる。 実験により,Syntheliteの計画軌道を多様なユーザ指定制約に柔軟に適用し,最大95%の成功率を達成することができた。
• 参考スコア（独自算出の注目度）: 3.7129661557601854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-aided synthesis planning (CASP) has long been envisioned as a complementary tool for synthetic chemists. However, existing frameworks often lack mechanisms to allow interaction with human experts, limiting their ability to integrate chemists' insights. In this work, we introduce Synthelite, a synthesis planning framework that uses large language models (LLMs) to directly propose retrosynthetic transformations. Synthelite can generate end-to-end synthesis routes by harnessing the intrinsic chemical knowledge and reasoning capabilities of LLMs, while allowing expert intervention through natural language prompts. Our experiments demonstrate that Synthelite can flexibly adapt its planning trajectory to diverse user-specified constraints, achieving up to 95\% success rates in both strategy-constrained and starting-material-constrained synthesis tasks. Additionally, Synthelite exhibits the ability to account for chemical feasibility during route design. We envision Synthelite to be both a useful tool and a step toward a paradigm where LLMs are the central orchestrators of synthesis planning.
• Abstract（参考訳）: コンピュータ支援合成計画(CASP)は、長年、合成化学者の補完ツールとして考えられてきた。 しかしながら、既存のフレームワークは、人間の専門家との相互作用を可能にするメカニズムを欠いていることが多く、化学者の洞察を統合する能力が制限されている。 本稿では,大規模な言語モデル(LLM)を用いて,逆合成変換を直接提案する合成計画フレームワークであるSyntheliteを紹介する。 シンセライトは、LLMの内在的な化学知識と推論能力を活用しながら、自然言語のプロンプトを通じて専門家による介入を可能にすることによって、エンドツーエンドの合成経路を生成することができる。 提案実験は,Syntheliteの計画軌道を多様なユーザ指定制約に柔軟に適用し,戦略制約と開始条件制約の両方で最大95%の成功率を達成できることを実証した。 さらに、シンセライトは、ルート設計中に化学的実現可能性を説明する能力を示している。 我々は,LLMが合成計画の中心的なオーケストレータとなるパラダイムに向けて,Syntheliteを有用なツールとして,さらに一歩進めることを期待している。

関連論文リスト

• LeMat-Synth: a multi-modal toolbox to curate broad synthesis procedure databases from scientific literature [60.879220305044726]
  本稿では,大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いて合成手順と性能データを自動抽出・整理するマルチモーダルツールボックスを提案する。 LeMat-Synth (v 1.0):35種類の合成法と16種類の材料クラスにまたがる合成手順を含むデータセット。 我々は,新しいコーパスと合成ドメインへのコミュニティ主導の拡張をサポートするために設計された,モジュール形式のオープンソースライブラリをリリースする。
  論文  参考訳（メタデータ） (2025-10-28T17:58:18Z)
• AOT*: Efficient Synthesis Planning via LLM-Empowered AND-OR Tree Search [22.026497456502806]
  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。
  論文  参考訳（メタデータ） (2025-09-25T10:30:37Z)
• 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)
• SynLlama: Generating Synthesizable Molecules and Their Analogs with Large Language Models [3.750173223006525]
  我々はSynLlamaを作成するために,MetaのLlama3 Large Language Modelsを微調整した新しいアプローチを提案する。 SynLlamaは、一般的にアクセス可能なビルディングブロックと堅牢な有機反応テンプレートからなる完全な合成経路を生成する。 外部のビルディングブロックをトレーニングしなくても、SynLlamaが効果的に一般化され、見つからず、購入可能なビルディングブロックとなることが分かりました。
  論文  参考訳（メタデータ） (2025-03-16T18:30:56Z)
• 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)
• SynthesizRR: Generating Diverse Datasets with Retrieval Augmentation [55.2480439325792]
  トピック分類,感情分析,トーン検出,ユーモアの6つのデータセットの合成について検討した。 その結果,SynthesizRRは語彙や意味の多様性,人文との類似性,蒸留性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-05-16T12:22:41Z)
• 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)
• ULSA: Unified Language of Synthesis Actions for Representation of Synthesis Protocols [2.436060325115753]
  合成手順を記述するための最初の統一言語であるULSA(Unified Language of Synthesis Actions)を提案する。 提案手法に基づく3,040の合成手順のデータセットを作成した。
  論文  参考訳（メタデータ） (2022-01-23T17:44:48Z)
• Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning [1.4680035572775534]
  本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。 このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
  論文  参考訳（メタデータ） (2020-09-14T20:50:45Z)

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。