論文の概要: Agentic generation of verifiable rules for deterministic, self-expanding reaction classification

• arxiv url: http://arxiv.org/abs/2607.01061v2
• Date: Sun, 05 Jul 2026 21:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 17:33:48.841071
• Title: Agentic generation of verifiable rules for deterministic, self-expanding reaction classification
• Title（参考訳）: 決定論的自己拡張反応分類のための検証可能な規則のエージェント生成
• Abstract要約: コンピュータ支援合成計画では、各変換を決定論的、解釈可能なラベルに割り当てる反応規則の大きなライブラリを用いて、標的分子を前駆体に分解する。 ここでは、大規模言語モデル(LLM)のマルチエージェントフレームワークが反応を分類し、そのルールを米国特許の665,901件にまたがって記述する完全自動化パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 3.2025297444004006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-assisted synthesis planning breaks target molecules into accessible precursors using large libraries of reaction rules that assign each transformation a deterministic, interpretable label. But chemistry is long-tailed, making manual encoding intractable, and existing tools rely on fixed rulesets that cannot adapt to new chemistries. Here we present a fully automated pipeline in which a multi-agent framework of large language models (LLMs) classifies reactions and writes the rules themselves across 665,901 US patent reactions, generating each rule under a verification loop that tests it against the corpus. It expands a standard taxonomy from 68 to 14,073 classes without human curation. With a lightweight fingerprint classifier, it classifies 97.7\% of unseen reactions, matching a leading proprietary classifier while resolving chemistry more finely and extending on demand to chemistry outside its training distribution. The result is a living reactivity database and a general route to turning generative models into reliable, self-expanding symbolic systems.
• Abstract（参考訳）: コンピュータ支援合成計画では、各変換を決定論的、解釈可能なラベルに割り当てる反応規則の大きなライブラリを使用して、標的分子をアクセス可能な前駆体に分解する。 既存のツールは、新しい化学に適応できない固定された規則セットに依存している。 ここでは、大規模言語モデル(LLM)のマルチエージェントフレームワークが反応を分類し、そのルールを米国特許の665,901件にまたがって記述し、検証ループの下で各ルールを生成してコーパスに対してテストする、完全に自動化されたパイプラインを提案する。 標準的な分類体系を68から14,073のクラスに拡張し、人間による治験は行わない。 軽量な指紋分類器では、97.7 %の未確認反応を分類し、主要なプロプライエタリな分類器とマッチングし、化学をより細かく解き、必要に応じてその訓練分布外の化学に拡張する。 その結果、リビング・リアクティビティ・データベースと、生成モデルを信頼性のある自己拡張型シンボリック・システムに変換するための一般的なルートが得られた。

関連論文リスト

• DianShi-RxnDB: A Large-Scale, Fine-Grained Organic Reaction Data Platform Built via a Fully Automated Pipeline for Researchers and AI Agents [77.19284650368924]
  大規模できめ細かい有機反応データプラットフォームであるDianShi-RxnDBについて述べる。 完全に自動化された抽出と正規化パイプラインを通じて構築される。 このプラットフォームは、検索、フィルタリング、比較、およびソース検証レコードのためのWebリサーチワークベンチを提供する。
  論文  参考訳（メタデータ） (2026-09-06T16:20:43Z)
• Agentic Design of Compositional Descriptors via Autoresearch for Materials Science Applications [0.0]
  自動検索エージェントがモデル選択以上のタスクを実行できるかどうかを検証するために,合成ベース素材の適正性予測を用いる。 本稿では,大規模言語モデルに基づく自動検索フレームワークであるAutomatを紹介し,化合物の合成専用記述子を生成する。
  論文  参考訳（メタデータ） (2026-05-14T10:30:17Z)
• Margin-calibrated Classifier Guidance for Property-driven Synthesis Planning [23.782236689125995]
  比較的議論とマージンに基づく損失を利用して分類器の校正を行うSCR(Sequence Completion Ranking)を導入する。 SCRはマルチステップ解決率を16.8%ドル(無誘導発電機)から78.4%ドル(反応型誘導)、9.3%ドル(谷本誘導)に大幅に改善している。 また,テンプレートフリー手法とテンプレートベース手法の長期的多様性ギャップを効果的に解消する。
  論文  参考訳（メタデータ） (2026-05-13T07:12:53Z)
• 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)
• 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)
• Contextual Molecule Representation Learning from Chemical Reaction Knowledge [24.501564702095937]
  本稿では,共通化学における原子結合規則をうまく利用した自己教師型学習フレームワークREMOを紹介する。 REMOは、文献における170万の既知の化学反応に関するグラフ/トランスフォーマーエンコーダを事前訓練する。
  論文  参考訳（メタデータ） (2024-02-21T12:58:40Z)
• 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)
• Retroformer: Pushing the Limits of Interpretable End-to-end Retrosynthesis Transformer [15.722719721123054]
  再合成予測は有機合成の基本的な課題の1つである。 本稿では,レトロシンセシス予測のためのトランスフォーマーに基づく新しいアーキテクチャであるRetroformerを提案する。 Retroformerは、エンドツーエンドのテンプレートフリーレトロシンセシスのための新しい最先端の精度に達する。
  論文  参考訳（メタデータ） (2022-01-29T02:03:55Z)
• 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)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• 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。