論文の概要: Learning Mechanistic Reasoning for Chemical Reactions with Large Language Models

• arxiv url: http://arxiv.org/abs/2607.12771v2
• Date: Thu, 16 Jul 2026 00:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 14:53:42.218284
• Title: Learning Mechanistic Reasoning for Chemical Reactions with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた化学反応の学習力学推論
• Abstract要約: 反応機構の新しい大規模推論データセットを構築した。 階層的メカニズム推論に基づいてモデル性能を厳格に評価する。 細調整したQwen3-30B-A3Bは, 特殊フラワーモデル(5.1%)を上回り, 福山ベンチセタで8.3%の正確な経路一致を達成した。
• 参考スコア（独自算出の注目度）: 3.2985641852325056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reaction mechanisms consist of the step-by-step sequences of elementary reactions that explain chemical transformations. Learning the mechanism logic is therefore essential for enhancing the fundamental chemical intelligence of large language models (LLMs). The stepwise deduction of reaction mechanism aligns naturally with the reasoning paradigms of reasoning LLMs. However, current chemical LLMs primarily emphasize coarse-grained name reactions for product prediction and retrosynthesis, often leading to physical inconsistencies and hallucinations. In contrast, specialized small-scale generative models for mechanism inference typically suffer from restricted generalization capacity across diverse chemical spaces. To overcome these limitations, we built a novel, large-scale reasoning dataset of reaction mechanisms. Furthermore, we established the FukuyamaBench, a difficult benchmark derived from Fukuyama's Advanced Organic Reaction Mechanism book, to rigorously evaluate model performance on hierarchical mechanism reasoning. Our fine-tuned Qwen3-30B-A3B achieves 8.3% exact pathway match on FukuyamaBench Set~A, surpassing the specialized FlowER model (5.1%), demonstrating that mechanism-aware training substantially enhances chemical reasoning in language models.
• Abstract（参考訳）: 反応機構は化学変換を説明する基本反応のステップバイステップ配列から構成される。 したがって、メカニズム論理の学習は、大規模言語モデル(LLM)の基本化学的知性を高めるために不可欠である。 反応機構の段階的推論はLLMの推論パラダイムと自然に一致する。 しかし、現在の化学LLMは、生成物の予測と再合成のために粗い粒度を持つ名前反応に重点を置いており、しばしば物理的不整合や幻覚を引き起こす。 対照的に、メカニズム推論のための特殊な小規模生成モデルは、通常、様々な化学空間にまたがる制限された一般化能力に悩まされる。 これらの制限を克服するため、我々は反応機構の大規模推論データセットを構築した。 さらに, 福山高度有機反応機構を指標として, 階層的機構推論のモデル性能を厳格に評価する難易度ベンチマークである福山ベンチを構築した。 筆者らの微調整Qwen3-30B-A3Bは, 特殊なFlowERモデル(5.1%)を上回り, 福山ベンチセット〜Aで8.3%の正確な経路マッチングを実現し, 機構認識トレーニングが言語モデルにおける化学推論を大幅に向上させることを示した。

関連論文リスト

• Autonomous Chemical Mechanistic Discovery through Agentic Reasoning and Validation [46.063922326510855]
  ARCHEは汎用推論モデル、ドメイン特化計算化学モデル、構造化ツールレジストリを統合する自律エージェントシステムである。 科学的な疑問を解釈し、機械論的な仮説を生成し、計算の選択性を編成し、計算された証拠に基づいて結論を反復的に洗練する。 エージェント推論と厳密な計算検証を結合することにより、ARCHEは自律的な機械学的な発見を進め、より広範な機械支援化学研究の基礎を確立する。
  論文  参考訳（メタデータ） (2026-09-10T06:49:24Z)
• Chem4DLLM: 4D Multimodal LLMs for Chemical Dynamics Understanding [52.499532583297885]
  ChemDUは4D分子軌道を解釈可能な自然言語の説明に変換する。 ChemDUは、ガス相と触媒反応を含む基本的な動的シナリオに焦点を当てている。 Chem4DBenchは4D分子軌道と専門家による説明を組み合わせた最初のデータセットである。
  論文  参考訳（メタデータ） (2026-03-12T13:36:58Z)
• RxnNano:Training Compact LLMs for Chemical Reaction and Retrosynthesis Prediction via Hierarchical Curriculum Learning [20.904697361501174]
  私たちは、これらの知識をモデルに取り入れることが、中心的な課題であると主張している。 3つの重要な革新を通じて,化学的な理解を大規模に優先する統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-02-10T07:42:23Z)
• Teaching Language Models Mechanistic Explainability Through Arrow-Pushing [3.488381738536745]
  化学反応機構は合成可能性に重要な洞察を与える。 現在のコンピュータ支援合成計画 (CASP) システムには機械的基礎が欠如している。 本稿では,化学反応のメカニズムを予測するために,言語モデルを教えるための計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-05T13:57:50Z)
• oMeBench: Towards Robust Benchmarking of LLMs in Organic Mechanism Elucidation and Reasoning [44.36582860924775]
  有機化学における有機機構推論のための,最初の大規模で専門家によるベンチマークであるoMeBenchを紹介する。 また,ステップレベルの論理と化学的類似性を組み合わせた動的評価フレームワークoMeSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:13:31Z)
• 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)
• ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
  我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。 我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。 この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
  論文  参考訳（メタデータ） (2024-07-14T05:53:18Z)
• Beyond Major Product Prediction: Reproducing Reaction Mechanisms with Machine Learning Models Trained on a Large-Scale Mechanistic Dataset [10.968137261042715]
  有機反応の機械的理解は、反応の発生、不純物予測、そして原則として反応発見を促進する。 いくつかの機械学習モデルは、反応生成物を予測するタスクに対処しようとしているが、反応機構を予測するための拡張は、対応する力学データセットの欠如によって妨げられている。 実験によって報告された反応物質と生成物の中間体を専門家の反応テンプレートを用いて入力し、その結果の5,184,184個の基本ステップに基づいて機械学習モデルを訓練することにより、そのようなデータセットを構築する。
  論文  参考訳（メタデータ） (2024-03-07T15:26:23Z)
• AI for Interpretable Chemistry: Predicting Radical Mechanistic Pathways via Contrastive Learning [45.379791270351184]
  RMechRPは、新しいディープラーニングベースの反応予測システムである。 我々は、ラジカル反応の公開データベースであるRMechDBを用いてモデルを開発し、訓練する。 本研究は,RMechRPが正確かつ解釈可能な予測に有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-02T09:47:27Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)

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。