Fugu-MT 論文翻訳(概要): Training Chemical Plausibility-Aware Large Language Models for Single-Step Retrosynthesis

論文の概要: Training Chemical Plausibility-Aware Large Language Models for Single-Step Retrosynthesis

arxiv url: http://arxiv.org/abs/2608.18940v1
Date: Wed, 19 Aug 2026 14:08:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-20 20:13:55.423732
Title: Training Chemical Plausibility-Aware Large Language Models for Single-Step Retrosynthesis
Title（参考訳）: 化学可塑性の訓練 : 単一ステップ再合成のための大規模言語モデル
Abstract要約: 我々はTop-Kプロンプトを堅牢なトレーニングおよび推論のパラダイムとして導入し、多種多様で妥当な反応予測をよりよく捉える。 CREED-CCV-2+USPTO-XLは,C3LMをトレーニングするために4560万の検証結果の超大規模データセットである。
参考スコア（独自算出の注目度）: 3.841858001721215
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Single-step retrosynthesis is a central component of computer-aided synthesis planning, yet its intrinsically one-to-many nature is poorly captured by single-answer evaluation and benchmarking protocols. To address this, we introduce Top-K prompting as a robust training and inference paradigm to better capture diverse, plausible reaction predictions. We compile CREED-CCV-2+USPTO-XL, an ultra-large-scale dataset of ~45.6 million verified reactions to train the C3LM (Chemistry Constraint-Consistent Language Model). By integrating fine-tuning with ChemCensor-based and novelty-oriented rewards, our model achieves state-of-the-art performance on the OOD URSA-expert-2026 benchmark. Further analysis of reaction uniqueness shows that LLMs and conventional models explore complementary reaction spaces, motivating ensemble-based retrosynthesis systems. Overall, our results establish Top-K, plausibility-aware training as a practical new direction for robust future LLM-based synthesis planning.
Abstract（参考訳）: 単段階のレトロシンセシスはコンピュータ支援合成計画の中心的な要素であるが、本質的な1対多の性質はシングル・アンサー評価とベンチマーク・プロトコルによって貧弱に捉えられている。これを解決するために、Top-Kプロンプトを堅牢なトレーニングおよび推論パラダイムとして導入し、多種多様な妥当な反応予測をよりよく捉える。我々は,C3LM(Chemistry Constraint-Consistent Language Model)をトレーニングするために,C3LM(Chemistry Constraint-Consistent Language Model)をトレーニングするために,約456万の検証結果の超大規模データセットであるCREED-CCV-2+USPTO-XLをコンパイルする。 OOD URSA-expert-2026ベンチマークでは,ChemCensorに基づく微調整と新規性指向の報酬を組み合わせることで,最先端のパフォーマンスを実現している。反応特異性のさらなる分析は、LLMと従来のモデルが相補的な反応空間を探索し、アンサンブルに基づく再合成系を動機付けていることを示している。以上の結果から,将来性の高いLCM合成計画のための実践的新しい方向性として,Top-K,可視性を考慮したトレーニングが確立された。

関連論文リスト

URSA: Chemistry-Aware Benchmark for Utilitarian Retrosynthesis Assessment [3.6442441313881706]
本研究では,URSA (Utilitarian RetroSynthesis Assessment) 評価フレームワークを紹介する。これは、正式な観点からだけでなく、化学的妥当性の観点からも合成経路をベンチマークする機会を提供する。本研究は, 従来のエンド・ツー・エンドのレトロシンセシス・ソリューションとLCMを総合的に評価し, 合成計画課題について検討した。
論文参考訳（メタデータ） (2026-07-06T05:32:09Z)
Molecular Identifier Visual Prompt and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing [52.825281124618535]
反応図解析(RxnDP)は、文献から化学合成情報を抽出するために重要である。近年の視覚言語モデル(VLM)はこの複雑な視覚的推論タスクを自動化するための有望なパラダイムとして登場した。この研究はVLMベースのRxnDPを2つの相補的視点、すなわち表現の促進と学習パラダイムから強化する。
論文参考訳（メタデータ） (2026-03-16T09:17:05Z)
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)
When Single Answer Is Not Enough: Rethinking Single-Step Retrosynthesis Benchmarks for LLMs [3.973137925060284]
単段回帰合成のための新しいベンチマークフレームワークを提案する。正確なマッチングに対する妥当性を強調することで、このアプローチは人間の合成計画プラクティスとよりよく一致します。 LLMトレーニングのための数百万のChemCensor-validated reaction recordからなる新しいデータセットCREEDについても紹介する。
論文参考訳（メタデータ） (2026-02-03T14:03:32Z)
A Scientific Reasoning Model for Organic Synthesis Procedure Generation [12.609346156252393]
本稿では、精密な構造化実験手順を生成できる科学的推論言語モデルQFANGを提案する。本稿では,大規模に化学知識を基盤としたチェーン・オブ・シントデータを生成する,化学誘導推論(CGR)フレームワークを提案する。 RLVR(Reinforcement Learning from Verifiable Rewards)を応用して、手続き精度をさらに向上する。
論文参考訳（メタデータ） (2025-12-15T18:55:39Z)
Round-trip Reinforcement Learning: Self-Consistent Training for Better Chemical LLMs [51.29260537017623]
大規模言語モデル (LLM) は計算化学の汎用基盤モデルとして登場しつつある。これらのモデルは、しばしば往復一貫性を欠いている。本稿では,その一貫性を向上させるためにモデルをトレーニングする新しいフレームワークであるRound-Trip Reinforcement Learning(RTRL)を紹介する。
論文参考訳（メタデータ） (2025-10-01T23:58:58Z)
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)
Enhancing Chemical Reaction and Retrosynthesis Prediction with Large Language Model and Dual-task Learning [8.402406301818905]
大規模言語モデル(LLM)は、多くの領域において可能性を示している。 ChemDualは正確な化学合成のための新しいフレームワークである。 ChemDualは反応の予測とレトロ合成の両方において最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-05-05T13:31:36Z)
BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文参考訳（メタデータ） (2024-08-19T05:17:40Z)
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)

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。