論文の概要: Learning Transferable Reaction Mechanisms from Visual Chemical Knowledge

• arxiv url: http://arxiv.org/abs/2609.33608v1
• Date: Sun, 27 Sep 2026 14:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 15:23:19.035108
• Title: Learning Transferable Reaction Mechanisms from Visual Chemical Knowledge
• Title（参考訳）: 視覚化学知識を用いた伝達可能な反応機構の学習
• Abstract要約: 本稿では,移動可能な化学表現と外部機械的知識を組み合わせた視覚的枠組みであるMechaVLMを紹介する。 マルチスケールな化学接地とクロスレンダリングなコントラスト学習を通じて、再利用可能な視覚特徴を学習する。 MechaVLMは、クロスデータセットと文献由来のベンチマーク全体にわたって、強力なゼロショット機構の予測を確立している。
• 参考スコア（独自算出の注目度）: 10.771801947653286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reaction mechanisms describe the step-by-step transformations underlying chemical reactions and are central to reaction analysis and synthesis. Learning-based models have achieved strong performance on established mechanism-prediction benchmarks, but transferring them to unseen chemistry remains challenging. Such transfer is difficult because familiar mechanisms must be applied to unfamiliar molecular structures, and some target mechanisms may be poorly covered by the training data. To address these challenges, we introduce MechaVLM, a visual framework that combines transferable chemical representations with external mechanistic knowledge. It learns reusable visual features through multiscale chemical grounding and cross-rendering contrastive learning. For open-book prediction, MechaVLM retrieves a fixed set of precedents from 70,384 literature mechanism figures and re-reads relevant visual evidence as the molecular state evolves, directly using the figures without symbolic mechanism parsing. An atom-indexed language decoder then recursively generates executable electron edits to construct the complete mechanism. We further introduce MechBench, a challenging literature-derived benchmark with 2,184 mechanisms and 9,146 elementary steps. Across cross-dataset and literature-derived benchmarks, MechaVLM establishes strong zero-shot mechanism prediction. Its closed-book model alone improves Step/Pathway Top-1 by 12.50/13.93 percentage points on FlowER-to-ReactMech transfer, while external visual precedents unlock further gains on challenging OOD reactions. The learned representation also generalizes beyond mechanism prediction to atom mapping and reaction center prediction.
• Abstract（参考訳）: 反応機構は、化学反応の基礎となるステップバイステップ変換を記述し、反応分析と合成の中心となる。 学習ベースのモデルは、確立されたメカニズム予測ベンチマークにおいて強力な性能を達成しているが、それらを目に見えない化学に転送することは依然として困難である。 このような伝達は、慣れ親しんだ機構が不慣れな分子構造に適用されなければならないため困難であり、いくつかの標的機構はトレーニングデータによってカバーされていない可能性がある。 これらの課題に対処するために,輸送可能な化学表現と外部機械的知識を組み合わせた視覚的枠組みであるMechaVLMを紹介した。 マルチスケールな化学接地とクロスレンダリングなコントラスト学習を通じて、再利用可能な視覚特徴を学習する。 オープンブック予測のために、MechaVLMは70,384の文献の機構図から固定された前例を検索し、分子状態が進化するにつれて関連する視覚的証拠を再読する。 原子インデックス言語デコーダは、実行可能電子編集を再帰的に生成し、完全なメカニズムを構築する。 さらに,2,184のメカニズムと9,146の基本的なステップを備えた,文学に基づく挑戦的なベンチマークであるMechBenchを紹介する。 MechaVLMは、クロスデータセットと文献由来のベンチマーク全体にわたって、強力なゼロショット機構の予測を確立している。 クローズドブックモデルだけで、FlowER-to-ReactMech転送の12.50/13.93ポイントがStep/Pathway Top-1に改善され、外部の視覚的前例は、挑戦的なOOD反応をさらに向上させる。 学習された表現はまた、機構予測を越えて原子マッピングや反応中心予測まで一般化する。

関連論文リスト

• Learning Mechanistic Reasoning for Chemical Reactions with Large Language Models [3.2985641852325056]
  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。
  論文  参考訳（メタデータ） (2026-07-14T13:44:51Z)
• 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)
• 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)
• 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)
• Competition of Mechanisms: Tracing How Language Models Handle Facts and Counterfactuals [82.68757839524677]
  解釈可能性研究は、経験的成功と大規模言語モデル(LLM)の科学的理解のギャップを埋めることを目的としている。 本稿では,個々のメカニズムではなく,複数のメカニズムの相互作用に着目した,メカニズムの競合の定式化を提案する。 本研究は, 種々のモデル成分間の機構とその競合の痕跡を示し, 特定の機構の強度を効果的に制御する注意位置を明らかにした。
  論文  参考訳（メタデータ） (2024-02-18T17:26:51Z)
• MechRetro is a chemical-mechanism-driven graph learning framework for interpretable retrosynthesis prediction and pathway planning [10.364476820771607]
  MechRetroは、再合成予測と経路計画を解釈可能なグラフ学習フレームワークである。 化学知識を先行情報として統合することにより,新しいグラフトランスアーキテクチャを設計する。 我々はMechRetroが、大規模なベンチマークデータセットに対して大きなマージンで、レトロシンセティック予測のための最先端のアプローチよりも優れていることを実証した。
  論文  参考訳（メタデータ） (2022-10-06T01:27:53Z)
• 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)

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。