論文の概要: RxnOptBench: Benchmarking LLMs for Reaction-Condition Optimization in Organic Methodology

• arxiv url: http://arxiv.org/abs/2610.02242v1
• Date: Tue, 29 Sep 2026 15:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.010552
• Title: RxnOptBench: Benchmarking LLMs for Reaction-Condition Optimization in Organic Methodology
• Title（参考訳）: RxnOptBench:有機的手法における反応-遷移最適化のためのLLMのベンチマーク
• Abstract要約: RxnOptBench(RxnOptBench)は、2025年に発表された有機メソドロジー論文のベンチマークである。 それは宣言された見出し効用から導かれる連続相対スコアによって評価された。 パラメトリック記憶から文献証拠の文脈内使用を分離する前例-vs-no-precedentsデザインのペアを備える。
• 参考スコア（独自算出の注目度）: 38.693621174406054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chemical reaction-condition optimization -- choosing the catalyst, ligand, solvent, reagent, temperature, time, and atmosphere that jointly maximize yield and stereoselectivity -- is a central, judgement-laden subtask of organic methodology research that large language models are increasingly expected to support. Yet existing chemistry benchmarks evaluate reaction-class labelling, retrosynthesis, or SMILES manipulation, and do not ask models to read a real condition-screening table and pick the best set. We introduce RxnOptBench, a benchmark whose every option and precedent is a real wet-lab entry mined from the optimization tables of organic-methodology papers published in 2025, graded by a continuous relative score derived from a declared headline utility that combines reported yield with enantiomeric excess (ee), diastereomeric ratio (dr), and regioisomeric ratio (rr), and equipped with a paired precedents-vs-no-precedents design that isolates in-context use of literature evidence from parametric memorization. Across nine frontier LLMs and three Chemistry LLMs, even the best models leave substantial headroom: chemistry-specialized models fall to the random-baseline floor on multi-axis selection, while open-weight models have closed most of the gap to proprietary frontier models. We release the final human-reviewed benchmark test set and evaluation code.
• Abstract（参考訳）: 化学反応条件の最適化 -- 触媒、配位子、溶媒、試薬、温度、時間、大気を選定し、収量と立体選択性を最大化する -- は、大規模言語モデルのサポートがますます期待されている有機方法論研究の中心的、判断に欠けるサブタスクである。 しかし、既存の化学ベンチマークでは、リアクションクラスラベリング、レトロシンセシス、SMILES操作を評価しており、モデルに実際の状態スクリーニングテーブルを読んでベストセットを選ぶように求めていない。 RxnOptBenchは,2025年に発表された有機メソドロジー論文の最適化表から抽出した実際のウェットラブの項目であり,報告された収量とエナンチオマー過剰(e),ジアステレオマー比(dr),レジオ異性体比(rr)を組み合わせた,宣言された見出しユーティリティから得られる連続的な相対スコアによって評価され,また,パラメトリック記憶から文献証拠の文脈的使用を分離した前例-vs-no-precedentsデザインのペアを備えるベンチマークである。 9つのフロンティア LLM と3つのケミカル LLM にまたがって、最高のモデルでさえ、かなりのヘッドルームを残している: 化学特化モデルは、多軸選択においてランダムベースラインのフロアに落ち、一方、オープンウェイトモデルはプロプライエタリフロンティアモデルとのギャップの大部分を閉じている。 最終レビューされたベンチマークテストセットと評価コードをリリースする。

関連論文リスト

• HiRes: Inspectable Precedent Memory for Reaction Condition Recommendation [0.0]
  HiResは検索強化された条件レコメンデーションシステムである。 プライマリスロットUSPTO-Conditionモデルの最先端性能を実現する。 予測精度と化学的解釈可能性のギャップを埋める。
  論文  参考訳（メタデータ） (2026-05-20T17:14:46Z)
• 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)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• 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)
• 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)
• DiffER: Categorical Diffusion for Chemical Retrosynthesis [4.8757706070066265]
  DiffERは、カテゴリー拡散の形での逆合成予測のための代替的なテンプレートフリーな手法である。 本研究では,トップ1の精度とトップ3,トップ5,トップ10の精度の競争性能を実現する拡散モデルのアンサンブルを構築する。
  論文  参考訳（メタデータ） (2025-05-29T17:53:37Z)
• 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)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。