論文の概要: Protect$^*$: Steerable Retrosynthesis through Neuro-Symbolic State Encoding

• arxiv url: http://arxiv.org/abs/2602.13419v1
• Date: Fri, 13 Feb 2026 19:41:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.026438
• Title: Protect$^*$: Steerable Retrosynthesis through Neuro-Symbolic State Encoding
• Title（参考訳）: Protect$^*$:Neuro-Symbolic State Encodingによるステアブル再合成
• Authors: Shreyas Vinaya Sathyanarayana, Shah Rahil Kirankumar, Sharanabasava D. Hiremath, Bharath Ramsundar,
• Abstract要約: 本稿では,Large Language Models (LLMs) の生成能力を厳格な化学論理に基礎を置く,ニューロシンボリックなフレームワークであるProtect$*$を紹介する。 我々のアプローチは、ルールベースの自動推論とニューラルモデルの生成を組み合わせる。 我々は,エリスロマイシンBの新規合成経路の発見を含む,複雑な天然物に関するケーススタディを通じて,このニューロシンボリックアプローチを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shown remarkable potential in scientific domains like retrosynthesis; yet, they often lack the fine-grained control necessary to navigate complex problem spaces without error. A critical challenge is directing an LLM to avoid specific, chemically sensitive sites on a molecule - a task where unconstrained generation can lead to invalid or undesirable synthetic pathways. In this work, we introduce Protect$^*$, a neuro-symbolic framework that grounds the generative capabilities of Large Language Models (LLMs) in rigorous chemical logic. Our approach combines automated rule-based reasoning - using a comprehensive database of 55+ SMARTS patterns and 40+ characterized protecting groups - with the generative intuition of neural models. The system operates via a hybrid architecture: an ``automatic mode'' where symbolic logic deterministically identifies and guards reactive sites, and a ``human-in-the-loop mode'' that integrates expert strategic constraints. Through ``active state tracking,'' we inject hard symbolic constraints into the neural inference process via a dedicated protection state linked to canonical atom maps. We demonstrate this neuro-symbolic approach through case studies on complex natural products, including the discovery of a novel synthetic pathway for Erythromycin B, showing that grounding neural generation in symbolic logic enables reliable, expert-level autonomy.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、レトロシンセシスのような科学領域において顕著な可能性を示しているが、複雑な問題空間を誤りなくナビゲートするために必要な細かい制御を欠いていることが多い。 重要な課題は、LLMに分子上の特定の化学的に敏感な部位を避けるよう指示することである。 本稿では, 大規模言語モデル(LLM)の生成能力を, 厳密な化学論理学の基盤とした, ニューロシンボリックなフレームワークであるProtect$^*$を紹介する。 このアプローチでは,55以上のSMARTSパターンと40以上の特徴を持つ保護グループからなる包括的なデータベースを,ニューラルネットワークの生成的直観と組み合わせて,ルールベースの推論を自動化する。 システムはハイブリッドアーキテクチャを介して動作する: ‘自動モード’: シンボリックロジックが決定論的にリアクティブサイトを特定してガードする‘自動モード’と、専門的な戦略的制約を統合する‘ヒューマン・イン・ザ・ループ・モード’。 能動状態追跡’を通じて、正準原子マップにリンクした専用の保護状態を通じて、神経推論プロセスにハードシンボリックな制約を注入する。 本研究は,Erythromycin Bの新規合成経路の発見など,複雑な天然物に関するケーススタディを通じて,このニューロシンボリックアプローチを実証する。

関連論文リスト

• NeSyA: Neurosymbolic Automata [8.461323070662774]
  ニューロシンボリック(NeSy)AIは、ニューラルおよびシンボリック推論を統合するための有望な方向として登場した。 シンボリックオートマトンはニューラルベース認識と統合可能であることを示す。 提案するハイブリッドモデルであるNeSyA(Neuro Automata)は,従来のNeSyシステムよりもスケールあるいは精度の高い性能を示す。
  論文  参考訳（メタデータ） (2024-12-10T09:23:36Z)
• BlendRL: A Framework for Merging Symbolic and Neural Policy Learning [23.854830898003726]
  BlendRLは、論理とニューラルポリシーの混合を使用するRLエージェントに両方のパラダイムを統合する、ニューラルシンボリックなRLフレームワークである。 我々は,BlendRLエージェントが標準アタリ環境において,ニューラルベースラインとシンボリックベースラインの両方より優れていることを実証的に実証した。 ニューラルポリシーとシンボリックポリシーの相互作用を分析し、それらのハイブリッド利用がエージェントの制限を克服するのにどのように役立つかを説明する。
  論文  参考訳（メタデータ） (2024-10-15T15:24:20Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Neural Reward Machines [2.0755366440393743]
  非マルコフ的強化学習(RL)タスクは、エージェントが環境の中で合理的に行動するために、状態-作用ペアの歴史全体を考える必要があるため、解決が困難である。 ニューラル・リワード・マシン(NRM)は,非記号的RLドメインにおける推論と学習の両方に使用できる,オートマタベースのニューロシンボリック・フレームワークである。 我々は,NRMがSG関数の知識を使わずに,先行知識を組み込むことができないディープRL法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-16T11:44:27Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Extensions to Generalized Annotated Logic and an Equivalent Neural Architecture [4.855957436171202]
  本稿では,ニューロシンボリックシステムに対する望ましい基準のリストを提案し,既存のアプローチのいくつかがこれらの基準にどう対処するかを検討する。 次に、等価なニューラルアーキテクチャの作成を可能にするアノテーション付き一般化論理の拡張を提案する。 トレーニングプロセスの継続的な最適化に依存する従来のアプローチとは異なり、当社のフレームワークは、離散最適化を使用する二項化ニューラルネットワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-23T17:39:46Z)
• 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。