我们通过将计算机辅助筛选框架与语言推理和量子化学相结合,创造性地实现了人工智能加速的可靠催化剂发现。
Feb, 2024
本文研究了在化学领域中使用自然语言描述来增强预测模型。使用文献手动提取的大量结构化数据来训练化学信息模型是传统的方法。本文引入了一种新的方法 TextReact,该方法直接利用从文献中检索到的文本增强预测化学。TextReact 检索与给定化学反应相关的文本描述,然后将其与反应的分子表示进行对齐。通过在预测器训练中加入辅助的掩码语言模型目标,增强了这种对齐。我们通过两个化学任务进行了实证验证:反应条件推荐和一步逆合成。通过利用文本检索,TextReact 显著优于仅基于分子数据训练的最先进的化学信息模型。
Dec, 2023
本篇研究文章提出了一种名为 ReactIE 的方法,通过弱监督预训练的方式,结合来自文本中的频繁模式和专利记录中的数据,以识别化学反应的特定特征。实验证明,ReactIE 优于所有现有的基准模型。
Jul, 2023
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
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。
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。
Nov, 2023
本论文讲述了一种完全基于数据驱动的模型,该模型学习执行一个反合成反应预测任务,将其作为序列到序列映射问题来处理。该模型为端到端的训练模型,具有编码器 - 解码器结构,包含两个递归神经网络,该模型通过对美国专利文献中的 50,000 个实验反应示例进行训练,拥有解决计算机反应分析的挑战性问题的重要前进一步。
Jun, 2017
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
通过利用易于获取的非成对数据生成模拟反应,RetroWISE 利用基于真实配对数据推断的基础模型来培训模型,最终建立了更有效的基于机器学习的逆合成模型。
Jan, 2024
本文提出一种名为 RetCL 的高效的 Reactant 选择框架,采用图神经网络计算选择的分数,并提出一种新颖的对比训练方案,用于学习这些分数函数,实现了在反应模板、稳定性和可购买性方面综合考虑反应物组合,获得了良好的准确性和泛化性能。
May, 2021