Nov, 2023

可解释化化学的人工智能：通过对比学习预测自由基机理途径

PDF
TL;DR使用机械途径与对比学习相结合的新反应预测系统 RMechRP，在自由基反应领域提供不同层次的化学反应解释，并在大气化学等各种应用中展现了准确且可解释的自由基反应预测的潜力。
发现论文，激发创造
  • 超越主要产品预测：基于大规模机制数据集训练的机器学习模型再现反应机理

    通过机理模型，我们可以预测反应产物、发现新反应，并预测杂质。本研究构建了一个数据集，通过专家反应模板在实验报告的反应物和产物之间填补中间体，然后使用机器学习模型对该数据集进行训练。我们探索了模型的性能和能力，特别关注其预测反应途径以及催化剂和试剂的作用。此外，机理模型在预测杂质方面具有潜力，这通常被传统模型所忽视。最后，我们评估了机理模型在新的反应类型上的推广能力，并揭示了数据集多样性、连续预测和原子守恒违规方面的挑战。

    Mar, 2024

  • 一种用于化学反应预测的自反馈知识获取方法

    为了提高化学反应预测准确性，这项研究介绍了一种数据筛选的自我反馈知识引导方法，将先前的知识融入大型语言模型，取得了显著的预测准确度提升，同时拓展了多任务化学反应的处理能力。

    Apr, 2024

  • 深度学习在反应和追溯合成预测中的统一视图：现状与未来挑战

    本文是首篇对计算化学中反应和逆合成预测采用深度学习模型的应用进行综述，从设计机制、优势和弱点等多方面给出了全面系统的调查结论，并提出了当前解决方案的局限性和问题，最后探讨了未来研究的发展方向。

    Jun, 2023

  • 翻译中的发现”：使用神经序列到序列模型预测复杂有机化学反应的结果

    该研究介绍了一种基于序列到序列模型的无模板反应预测方法，使用一种新型的可扩展标记方法，不涉及反应模板等辅助知识，达到了 80.1% 的准确率，其核心思想是运用语言学分析的思维方式来解决有机化学问题。

    Nov, 2017

  • 过氧自由基的运动学建模：一种深度强化学习方法

    利用深度强化学习预测过氧自由基的速率常数范围，并通过分析分子结构和反应速率之间的关系获得有价值的洞察，在化学创新中建立了计算机分析作为激发创新的可靠基础。

    Apr, 2024

  • 学习制作具有普适性和多样性的回溯合成预测

    提出新模型用于反合成预测，在美国专利文献数据集上通过序列到序列及离散潜在变量方法构建预测模型较基准模型性能显著提高同时生成更多多样性化预测结果。

    Oct, 2019

  • MolCAP：分子化学反应预训练及促进微调增强的分子表示学习

    我们提出了一种基于化学反应知识的 MolCAP，它是一个图形预训练变压器模型，用于推动分子表示学习，其结果表明在各种生物医学任务中优于传统预训练框架的比较方法，这表明了应用反应信息进行分子表示学习的前景。

    Jun, 2023

  • 使用有针对性的干预进行活跃因果学习，解码化学复杂性

    基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。

    Apr, 2024

  • 有机化学反应预测的神经网络

    利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

    Aug, 2016

  • ReacLLaMA：化学反应 AI 模型中化学和文本信息的融合

    通过结合过程文本并使用两种主要方法（ReacLLaMA-Adapter 和 Zero-Shot Labeling ReacLLaMA），改进 Graphormer 反应模型的准确性，提高了对不良反应的辨别能力，从而提供了更准确的具有改进特异性的化学反应模型。

    Jan, 2024