論文の概要: Neural Petri flows for chemical reactions

• arxiv url: http://arxiv.org/abs/2610.08750v1
• Date: Tue, 06 Oct 2026 17:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.155588
• Title: Neural Petri flows for chemical reactions
• Title（参考訳）: 化学反応のためのニューラルペトリフロー
• Abstract要約: ペトリネットのセマンティクスが$mprime=m+C$, 局所性を共有していることを示す。 本稿では,このレート法則を学習するニューラルペトリフロー(Neural Petri Flow)について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Petri nets have been used to describe chemical processes such as reactions.They map well to chemistry: Places are the bonds between atoms and the free valence of each atom, a token is a unit of bond order, a transition forms or breaks a bond, the conserved quantities are the valence budgets of the atoms, and the enabling rule is the valence rule. These semantics are not guaranteed by learned models of reactions or neural networks that are built on Petri nets that use the net as a scaffold for message passing. Here, we ask what architecture remains a Petri net for every value of its weights. We find the answer in the theory, where all semantics of a net share the firing form $m^\prime=m+Cσ$, locality, as enabling reads only the inputs of a transition, and the enabling rule, and we prove that conservation forces the firing form and that non-negativity forces the enabling rule on local rate laws. This leaves free the rate law, which is the propensity of each transition to fire. We introduce Neural Petri Flow, which learns this rate law, or a readout for classification, and hard-wires the rest as parameter-free layers. On what we denote a valence net, atom mapping, reaction classification, and forward prediction become three tasks on one firing vector. Without training, the minimum firing vector maps 88.8% of the curated Golden set against 85.6% for RXNMapper, and 88.7 against 77.9% of the enzymatic reactions of EnzymeMap. On USPTO-480K, NPF trained on these firing vectors predicts 87.7% of the products and 67.4% when trained on a 1% subset of the training reactions. EC numbers of ECREACT are predicted at the third level for 90.2% of reactions, 5.6 points ahead of the best published method. With electrons as tokens, the same token game predicts 90.5% of the elementary steps of FlowER first, ahead of the published baseline, and every top-1 prediction is a valid molecule without a filter.
• Abstract（参考訳）: ペトリネット(ペトリネット)は反応などの化学過程を記述するのに使われてきたが、化学によく当てはまる: 場所は原子間の結合と各原子の自由原子価、トークンは結合の順序の単位、遷移は結合の順序の単位、保存された量は原子の原子価の予算、有効規則は原子価の規則である。 これらのセマンティクスは、メッセージパッシングの足場としてネットを使用するペトリネット上に構築された、学習した反応モデルやニューラルネットワークによって保証されない。 ここでは、重みのすべての値に対して、どのアーキテクチャがペトリネットのままなのかを問う。 ネットのすべてのセマンティクスが$m^\prime=m+Cσ$, 局所性(Locality)を遷移の入力のみの読み出しと有効規則として共有し、保存が発火形態を強制し、非負性性(non-negativity)が局所レート法則の許容規則を強制することを証明する。 これは、各火災への遷移の正当性である利率法則を解放する。 本稿では,このレート法則を学習するニューラルペトリフロー(Neural Petri Flow)について紹介する。 原子マッピング,反応分類,前方予測の3つのタスクが1つの発火ベクトル上の3つのタスクとなる。 訓練無しでは、キュレートされたゴールデンセットの88.8%がRXNMapperの85.6%、酵素マップの77.9%が88.7である。 USPTO-480Kでは、これらの発射ベクトルで訓練されたNPFは、製品の87.7%と、トレーニング反応の1%のサブセットで訓練された時の67.4%を予測している。 ECREACTのEC数は90.2%の反応で第3のレベルで予測される。 電子をトークンとして持つ場合、同じトークンゲームはフローアーの基本ステップの90.5%を最初に公開ベースラインより先に予測し、トップ-1予測はフィルターのない有効な分子である。

関連論文リスト

• Mechanistic Reaction Prediction via Discrete Flow Matching on Graph-Structured Electron Occupation [3.82321341141483]
  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。
  論文  参考訳（メタデータ） (2026-08-27T17:50:44Z)
• When do machine-learned exchange-correlation improvements inherit into density-functional tight binding? [2.3982445219832678]
  現行の汎函数は軌道依存の一般化コーン・シャム作用素である。 4つの共有価半導体間のコヒーレント負比は、そのギャップを間違った方向に移動させる。
  論文  参考訳（メタデータ） (2026-08-14T20:30:22Z)
• ReactionAtlas: Ab origine exploration of chemical reaction networks with machine learning [11.494241014047397]
  化学反応ネットワーク、ミニマおよび遷移状態(TS)のグラフ、およびそれらの結合する基本反応をマッピングすることは、化学の自然言語である。 反応ネットワーク$textitabを数個のシード分子から生成し、手作りのルールを使わずに生成する。
  論文  参考訳（メタデータ） (2026-06-29T18:07:38Z)
• Order Matters in Retrosynthesis: Structure-aware Generation via Reaction-Center-Guided Discrete Flow Matching [18.649082246599267]
  本稿では, 化学反応の2段階の性質を位置誘導バイアスとしてエンコードする構造認識型テンプレートフリーフレームワークを提案する。 提案手法は,USPTO-50k (61.2% Top-1) と大規模USPTO-Full (51.3% top-1) の双方において,反応中心を予測して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-02-13T17:39:21Z)
• Multimodal Regression for Enzyme Turnover Rates Prediction [57.60697333734054]
  本稿では,酵素配列,基質構造,環境因子を統合することで,酵素の回転率を予測する枠組みを提案する。 我々のモデルは、事前訓練された言語モデルと畳み込みニューラルネットワークを組み合わせて、タンパク質配列から特徴を抽出する。 我々は、Kolmogorov-Arnold Networksを介して、酵素の回転率を管理する数学的公式を明示的に学習するために、シンボリックレグレッションを利用する。
  論文  参考訳（メタデータ） (2025-09-15T11:07:26Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• 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)

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。