論文の概要: Mechanistic Reaction Prediction via Discrete Flow Matching on Graph-Structured Electron Occupation

• arxiv url: http://arxiv.org/abs/2608.27429v2
• Date: Fri, 28 Aug 2026 11:35:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 15:11:36.104997
• Title: Mechanistic Reaction Prediction via Discrete Flow Matching on Graph-Structured Electron Occupation
• Title（参考訳）: グラフ構造電子占有における離散フローマッチングによる機械的反応予測
• Abstract要約: 我々は、電子占有ベクトル上の離散フローマッチングとして反応をモデル化するMAELLE(MechAnistic Edit fLow-matching on eLectron rEarrangements)を紹介する。 MaELLEはUSPTO-480Kベンチマークにおいて、主要な反応予測モデルと比較して競合性能を達成している。
• 参考スコア（独自算出の注目度）: 3.82321341141483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chemical reactions are fundamentally transformations in electron space, yet most machine learning approaches model them either through de novo generation of product molecules or through heuristic graph edits that operate directly on molecular topology. We introduce MAELLE (MechAnistic Edit fLow-matching on eLectron rEarrangements), which instead models reactions as discrete flow matching over electron occupation vectors. Concretely, we formulate the reactant-to-product mapping as a Continuous-time Markov Chain (CTMC) over the graph-structured integer-valued electron occupation space defined on all bonding, non-bonding, and hydrogen sites. To construct the interpolants between the reactants and products, we generalize the discrete flow matching mixture path to an edit-based formulation, where the electron moves are interpolated using Optimal Transport, yielding a mechanism-like set of moves without elementary step annotations. MAELLE achieves competitive performance on the USPTO-480K benchmark compared with leading reaction prediction models. Beyond in-distribution learning, we evaluate robustness across two out-of-distribution settings - structural complexity and reaction type - and find that MAELLE maintains strong performance where existing methods degrade. Finally, because the learned flow operates over the full electron redistribution, MAELLE naturally recovers mechanistic trajectories that align with known chemistry and can predict side products of a reaction.
• Abstract（参考訳）: 化学反応は電子空間における基本的な変換であるが、ほとんどの機械学習手法はデ・ノボ生成または分子トポロジーに直接作用するヒューリスティックグラフ編集によってそれらをモデル化する。 我々は、電子占有ベクトル上の離散フローマッチングとして反応をモデル化するMAELLE(MechAnistic Edit fLow-matching on eLectron rEarrangements)を紹介する。 具体的には、すべての結合、非結合、水素サイト上で定義されたグラフ構造化整数値電子占有空間上の連続時間マルコフ連鎖(CTMC)として反応物間マッピングを定式化する。 反応物と生成物間の補間体を構築するため, 電子移動を最適輸送法により補間し, 基本ステップアノテーションを使わずに機構様の移動を生じる編集式に, 離散フローマッチング混合経路を一般化する。 MAELLEは、主要な反応予測モデルと比較してUSPTO-480Kベンチマークで競合性能を達成する。 分散学習以外にも,2つのアウト・オブ・ディストリビューション設定 – 構造的複雑性とリアクションタイプ – にわたって堅牢性を評価し,MAELLEが既存のメソッドが劣化する強いパフォーマンスを維持していることを確認する。 最後に、学習した流れが全電子の再分配に作用するため、MAELLEは既知の化学と整合する機械的軌道を自然に回収し、反応の副産物を予測することができる。

関連論文リスト

• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• 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)
• 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)
• Flow matching for reaction pathway generation [1.8420084274819617]
  モルゲンは、ガウス前駆体を標的とする化学分布を輸送する最適な輸送経路を学習する条件付きフローマッチングフレームワークである。 TSDiffとOA-ReactDiffが使用しているベンチマークでは、MolGENはTSの幾何精度とバリアハイト予測を超越し、サンプリングを秒未満に削減している。 MolGENはまた、競合するトップkの精度でオープンな製品生成をサポートし、シーケンスモデルに共通する質量/電子バランス違反を避ける。
  論文  参考訳（メタデータ） (2025-07-14T17:54:47Z)
• SynBridge: Bridging Reaction States via Discrete Flow for Bidirectional Reaction Prediction [33.428877102021254]
  化学反応の本質は電子の再分配と再編成にある。 マルチタスク反応予測を実現するための双方向フローベース生成モデルであるSynBridgeを提案する。
  論文  参考訳（メタデータ） (2025-07-11T10:35:13Z)
• Transferable Learning of Reaction Pathways from Geometric Priors [1.3170830344441016]
  MEPINは、反応物や製品からMEPを効率的に予測するスケーラブルな機械学習手法である。 本手法は,反応経路の効率的なデータ駆動予測による大規模化学反応空間の探索を可能にする。
  論文  参考訳（メタデータ） (2025-04-21T18:20:53Z)
• Predicting Chemical Reaction Outcomes Based on Electron Movements Using Machine Learning [5.191954242696695]
  一般反応予測のための最初の電子ベース機械学習モデルであるReactronを提案する。 既存の製品のみのモデルよりもReactronの高い予測性能を実証する。 内分布と外分布の両方において堅牢な性能を持つReactronは、化学における人間のような推論を具現化している。
  論文  参考訳（メタデータ） (2025-03-13T09:31:51Z)
• 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)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• 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)
• Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
  電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。 提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:15:39Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction [26.007965383304864]
  反応を1ショットで予測する非自己回帰学習パラダイムを考案する。 任意の電子フローとして反応を定式化し、新しいマルチポインター復号ネットワークで予測する。 USPTO-MITデータセットの実験により、我々の手法は最先端のトップ1の精度を確立した。
  論文  参考訳（メタデータ） (2021-06-08T16:39:08Z)
• Non-autoregressive electron flow generation for reaction prediction [15.98143959075733]
  このような連続的な生成を回避し、非自動回帰的な反応を予測する新しいデコーダを考案する。 物理化学の洞察に基づいて、分子グラフのエッジ編集を電子フローとして表現し、並列に予測できます。 このモデルは,最先端のtop-1精度とtop-kサンプリングにおける同等の性能で,推定遅延を桁違いに低減する。
  論文  参考訳（メタデータ） (2020-12-16T10:01:26Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• 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。