本文提出把反合成建模为马尔可夫决策过程，并结合深度神经网络策略和蒙特卡罗树搜索算法，表现比传统手工启发式算法更好。

Jan, 2017

本文提出了一种名为 MCTS 的基于模拟退火算法的反合成规划方法，使用 Experience Guidance Network 从化学合成经验中学习知识，实现有效处理拥有巨大可能性的化学反应，实验结果证明在效率和功效上均优于现有研究成果。

Dec, 2021

本文提出了一种新的反合成方法，应用随机过程来考虑不确定性，并提出了一种名为 retro-fallback 的新贪婪算法，该算法在实验室中最大化至少可以执行一个合成计划的概率。通过使用体外基准测试，证明 retro-fallback 通常比流行的 MCTS 和 retro * 算法产生更好的合成计划集。

Oct, 2023

提出了一种基于图形搜索的策略，消除了中间分子的冗余探索，并采用图神经网络引导搜索。同时，我们的方法可以同时搜索一批目标，并使用基于树的搜索方法删除树间重复。在两个数据集上的实验结果表明了我们方法的有效性。特别是在广泛使用的 USPTO 基准测试中，我们将搜索成功率提高到 99.47％，提高了 2.6 个百分点的先前最先进的性能。

Jun, 2022

分子逆合成是一个重要且复杂的化学问题，传统的手动合成方法不仅需要训练有素的专家，而且耗时，随着大数据和机器学习的发展，基于人工智能的逆合成引起了越来越多的关注，成为分子逆合成的有价值工具。我们提出了一种基于进化优化的逆合成路线规划的新方法，标志着进化算法在多步逆合成领域的首次应用。实验结果显示，相比于蒙特卡罗树搜索算法，进化优化算法显著减少了单步模型调用数量的平均值 53.9％，搜索三个解所需的时间平均减少了 83.9％，可行搜索路径数量增加了 5 倍。

Oct, 2023

使用机器学习技术，采用 Bayesian 推理和蒙特卡罗搜索算法，逆向发现了合成路线，能够以较高的准确率运用于合成有机化学方面。

Mar, 2020

本文提出了一种基于神经网络的 A * 算法 Retro * 来高效地进行合成路径规划，在美国专利和商标局数据集上实验表明，我们的方法不仅成功率和解决方案质量均优于现有技术，而且效率更高。

Jun, 2020

提出一种以深度神经网络为基础的框架，应对合成目标分子时所需考虑的现实反应和可行建筑基元，以及优化生成的反应路径，实验结果显示该方法提高了反应路径的解决成功率。

Jun, 2021

本文提出了一种简洁的概率模型，用于描述合成规划中的不确定性，基于该模型，我们提出了一种名为 retro-prob 的新的合成规划算法，通过利用导数的链式法则实现了高效性，实验表明 retro-prob 在速度和合成方案质量方面优于之前的算法。

May, 2024

本文提出了一种基于图神经网络的模板自由算法，通过将逆向合成分为两个步骤来自动扩展化学反应，识别目标分子的潜在反应中心，生成中间合成物和生成与中间合成物相关的反应物。该方法在性能上超越了现有技术，并提供了合理的化学解释。

Nov, 2020