論文の概要: Generic Vision and Cross-Attention for Reaction Yield Prediction

• arxiv url: http://arxiv.org/abs/2608.00776v1
• Date: Sat, 01 Aug 2026 17:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.90557
• Title: Generic Vision and Cross-Attention for Reaction Yield Prediction
• Title（参考訳）: 反応収率予測のためのジェネリックビジョンと交差注意
• Abstract要約: 物理有機データを2次元分子トポロジーで融合したビジョン・クロス・アテンションアーキテクチャを提案する。 汎用コンピュータビジョンのバックボーン処理は、単純な2次元骨格構造を独立に処理し、純粋に量子ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.8092815324198175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional reaction yield prediction is constrained by 1D quantum descriptors that lack explicit spatial information. To address this gap, a dual-modal Vision Cross-Attention architecture is proposed, fusing tabular physical-organic data with 2D molecular topologies. Notably, it is demonstrated that a generic computer vision backbone processing simple 2D skeletal structures independently outperforms purely quantum-based baselines. By synergizing both modalities, superior predictive accuracy compared to traditional methodologies is achieved by the optimal cross-attention framework (Test RMSE = 5.27%). Through mechanistic probing, active, descriptor-guided spatial querying is observed, effectively offloading macroscopic steric identification to the visual pathway. Furthermore, a dynamic chemical hierarchy is learned by the network to heavily prioritize critical steric bottlenecks, such as the aryl halide. Concurrently, residual skip connections are utilized to protect non-spatial electronic parameters from destructive attenuation during fusion. Collectively, a scalable and highly interpretable blueprint is provided for augmenting physical chemistry with deep visual learning.
• Abstract（参考訳）: 従来の反応収率予測は、明示的な空間情報を持たない1次元量子ディスクリプタによって制約される。 このギャップに対処するため、2次元分子トポロジーを持つ表状物理有機データを融合したデュアルモーダル・ビジョン・クロス・アテンションアーキテクチャを提案する。 特に、汎用コンピュータビジョンバックボーンが単純な2次元骨格構造を独立に処理し、純粋に量子ベースラインより優れていることが示されている。 両方のモダリティを相乗化することにより、従来の手法と比較して優れた予測精度が最適なクロスアテンションフレームワークによって達成される(Test RMSE = 5.27%)。 メカニスティックな探索により、アクティブなディスクリプタによる空間的クエリが観察され、視覚経路へのマクロな立体的識別が効果的にオフロードされる。 さらに、ネットワークによって動的化学的階層が学習され、アリルハロゲン化物のような重要な立体的ボトルネックを強く優先順位付けする。 同時に、残差スキップ接続を用いて、核融合時の破壊減衰から非空間電子パラメータを保護する。 総合的に、深層視覚学習による物理化学の増強のために、スケーラブルで高度に解釈可能な青写真を提供する。

関連論文リスト

• Current Injection Spiking Neural Network for Infrared and Visible Image Fusion [55.20584003351512]
  赤外線および可視画像融合(IVIF)は、2つのモードの相補的な情報をよりリッチなシーン内容の単一の画像に統合する。 膜電位レベルで直接クロスモーダル核融合を行うスパイクネットワークであるCIS-Fuseを提案する。 4つのIVIFベンチマークと下流検出とセグメンテーションの実験により、CIS-Fuseは最先端のANN法と同等の核融合品質が得られることが示された。
  論文  参考訳（メタデータ） (2026-07-22T08:10:02Z)
• ChemFusion: A Multimodal Cross-Attention Network for Reaction Yield Prediction [0.8092815324198175]
  我々は、従来の電子的特徴を明示的な3次元原子座標で融合するハイブリッドニューラルネットワークであるChemFusionを紹介する。 多様なクロスカップリングライブラリに対してベンチマークを行うと、このアプローチは例外的な予測性能を提供する。 これは物理的に接地された解釈可能性を提供し、空間的に認識されたネットワークが複雑な反応ステリクスをナビゲートできることを実証する。
  論文  参考訳（メタデータ） (2026-07-19T02:31:29Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
  直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。 我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。 マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
  論文  参考訳（メタデータ） (2026-05-26T13:28:57Z)
• ChemVA: Advancing Large Language Models on Chemical Reaction Diagrams Understanding [56.94419746470799]
  大規模言語モデル (LLM) は、科学的なテキスト処理に革命をもたらしたが、化学反応図を解釈する際には、大きな能力ギャップが現れる。 本稿では,視覚アンカー機構を用いたケミカルビジュアルアクティベーション(ChemVA)フレームワークを提案する。 我々は,高密度な視覚・セマンティックな文脈を特徴とする新たに構築されたデータセットであるOCRD-Benchに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-05-17T01:12:50Z)
• DUET: Dual-Paradigm Adaptive Expert Triage with Single-cell Inductive Prior for Spatial Transcriptomics Prediction [6.028508407069093]
  組織像から空間的に解決された遺伝子発現を推定することは空間転写学に費用対効果をもたらす。 本稿では,パラメトリック予測とメモリベース検索を共役する新しいデュアルパラダイムフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2026-05-13T20:43:29Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
  BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。 局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。 例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
  論文  参考訳（メタデータ） (2026-01-12T08:37:47Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Uncovering Magnetic Phases with Synthetic Data and Physics-Informed Training [0.0]
  合成データに基づいて学習した人工ニューラルネットワークを用いた磁気位相の効率的な学習について検討する。 モデル性能を向上させるために,物理インフォームドガイダンスの2つの重要な形態を取り入れた。 この結果から, 合成, 構造化, 計算効率のよい学習手法は, 物理的に意味のある位相境界を明らかにすることができることがわかった。
  論文  参考訳（メタデータ） (2025-05-15T15:16:16Z)
• Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
  本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。 我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
  論文  参考訳（メタデータ） (2024-05-04T10:09:27Z)

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。