論文の概要: HiRes: Inspectable Precedent Memory for Reaction Condition Recommendation

• arxiv url: http://arxiv.org/abs/2605.21420v1
• Date: Wed, 20 May 2026 17:14:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.804422
• Title: HiRes: Inspectable Precedent Memory for Reaction Condition Recommendation
• Title（参考訳）: HiRes: 反応条件勧告のためのインスペクタブル先行記憶
• Authors: Shreyas Vinaya Sathyanarayana, Raja Sekhar Pappala, Deepak Warrier,
• Abstract要約: HiResは検索強化された条件レコメンデーションシステムである。 プライマリスロットUSPTO-Conditionモデルの最先端性能を実現する。 予測精度と化学的解釈可能性のギャップを埋める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reaction condition recommendation sits immediately after retrosynthetic disconnection selection, and in practice, chemists require both accurate predictions and the precedents that justify them. We present HiRes (Hierarchical Reaction Representations), a retrieval-augmented condition recommendation system whose learned reaction space serves as both a classifier feature and an inspectable precedent memory. The model combines a graph encoder, transformation-aware cross-attention, multi-stream reaction fusion, and a k-NN retrieval layer. HiRes achieves state-of-the-art performance among primary-slot USPTO-Condition models, reaching Catalyst, Solvent, and Reagent top-1 accuracies (Acc@1) of 0.929, 0.534, and 0.530 respectively. It ties the best reported baseline on Catalyst while outperforming models such as REACON on Solvent and Reagent. Furthermore, paired bootstrap analysis demonstrates that integrating retrieval with learned condition heads provides statistically significant gains for solvent and reagent selection over purely parametric approaches. Ultimately, HiRes bridges the gap between predictive accuracy and chemical interpretability, offering a single representation that supplies both competitive recommendations and the concrete chemical precedents necessary for practical synthesis planning.
• Abstract（参考訳）: 反応条件の推薦は再合成切断選択の直後に行われ、化学者は正確な予測とそれらを正当化する前例の両方を必要とする。 階層的反応表現(HiRes)は,学習された反応空間が分類器の特徴と検査可能な前例記憶の両方として機能する検索拡張条件推薦システムである。 このモデルは、グラフエンコーダ、変換対応のクロスアテンション、マルチストリーム反応融合、およびk-NN検索層を組み合わせる。 HiResは、それぞれ0.929、0.534、0.530のCatalyst、Solvent、Reagent Top-1アキュラシー(Acc@1)に達する、プライマリスロットUSPTO-Conditionモデルの最先端のパフォーマンスを達成する。 ReACON on SolventやReagentといったモデルよりも優れた性能を保ちながら、最も報告されたベースラインをCatalystに結び付けている。 さらに、ペアブートストラップ解析により、学習条件ヘッドによる検索が、純粋パラメトリックアプローチによる溶媒選択と試薬選択に統計的に有意な利益をもたらすことを示した。 最終的に、HiResは予測精度と化学的解釈可能性のギャップを埋め、競争力のあるレコメンデーションと、実用的な合成計画に必要な具体的な化学の前例の両方を提供する単一の表現を提供する。

関連論文リスト

• RetroReasoner: A Reasoning LLM for Strategic Retrosynthesis Prediction [10.722337545605626]
  再合成は、与えられた生成物分子の反応物を予測することを目的とした有機合成のコアタスクである。 本稿では,化学者の戦略的思考を生かしたレトロシンセティック推論モデルRetroReasonerを提案する。 実験の結果、RetroReasonerは以前のベースラインを上回るだけでなく、より広い範囲の実行可能な反応提案を生成することがわかった。
  論文  参考訳（メタデータ） (2026-03-13T05:20:56Z)
• Modular Multi-Task Learning for Chemical Reaction Prediction [1.443416244644791]
  低ランク適応(LoRA)は、有機反応予測のための完全な微調整に代わるパラメータ効率の代替である。 LoRAは完全な微調整に匹敵する精度を達成し、破滅的な忘れを効果的に軽減し、マルチタスク性能を向上する。
  論文  参考訳（メタデータ） (2026-02-11T01:17:06Z)
• RETRO SYNFLOW: Discrete Flow Matching for Accurate and Diverse Single-Step Retrosynthesis [23.422202032748924]
  単段階逆合成計画をモデル化し、離散フローマッチングフレームワークRETRO SynFLOW(RSF)を導入する。 我々は、シークエンシャルモンテカルロをベースとしたFeynman-Kacステアリングを用いて、推論時に有望な世代をステアリングする。
  論文  参考訳（メタデータ） (2025-06-04T20:46:05Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• 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)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• RetCL: A Selection-based Approach for Retrosynthesis via Contrastive Learning [107.64562550844146]
  レトロシンセシスは深層学習の新たな研究分野である。 本稿では, 市販分子の候補群から, 反応物質の選択問題へとレトロシンセシスを再構成する新しいアプローチを提案する。 スコア機能を学ぶために、ハードネガティブマイニングを備えた新しいコントラストトレーニングスキームも提案します。
  論文  参考訳（メタデータ） (2021-05-03T12:47:57Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• Data Transfer Approaches to Improve Seq-to-Seq Retrosynthesis [1.6449390849183363]
  再合成は、化学反応によって与えられた生成物化合物を合成するために反応化合物を推測する問題である。 レトロ合成に関する最近の研究は、より洗練された予測モデルの提案に焦点を当てている。 モデルをフィードするデータセットは、最高の一般化モデルを達成する上でも重要な役割を果たす。
  論文  参考訳（メタデータ） (2020-10-02T05:27:51Z)
• 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。