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

研究者利用深度神经网络和 Monte Carlo Tree Search 相结合的方法，通过训练为所有有机化学反应提供未来的化合物转化路径，从而加速了药物和材料的发现，并启用完全自动的机器人合成。

Aug, 2017

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

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

近年来，如何综合分子的规划，即背向合成，已成为机器学习和化学领域关注的焦点之一。然而，现有技术存在系统性缺陷，由于缺乏完善的基准和一致的比较方法而被掩盖。为解决这个问题，我们提出了一个名为 syntheseus 的基准库，以默认方式促进最佳实践，使单步和多步背向合成算法能够进行一致且有意义的评估。我们使用 syntheseus 对之前的一些背向合成算法进行重新评估，发现在仔细评估时，目前最先进模型的排名会有所改变。最后，我们提供了这一领域未来工作的指导建议。

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

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