Prédire avec précision les réactions chimiques est essentiel pour stimuler l’innovation
en chimie synthétique, avec de larges applications en médecine, fabrication, et
agriculture. En même temps, la prédiction des réactions est un problème complexe qui
peut être à la fois long et gourmand en ressources pour les chimistes.. Profond
les méthodes d'apprentissage offrent une solution attrayante en permettant un haut débit
prédiction de réaction. Cependant, de nombreux modèles existants sont formés sur le brevet américain
Ensemble de données Office et traiter les réactions comme des transformations globales: cartographie
réactifs directement aux produits avec une interprétabilité limitée ou mécaniste
aperçu. Pour résoudre ce problème, nous présentons PMechRP (Réaction mécanistique polaire
Prédicteur), un système qui entraîne des modèles d'apprentissage automatique sur PMechDB
ensemble de données, qui représente les réactions comme des étapes élémentaires polaires qui capturent
flux d'électrons et détails mécanistiques. Pour étendre davantage la couverture du modèle et
améliorer la généralisation, nous augmentons PMechDB avec un ensemble diversifié de
réactions générées combinatoirement. Nous formons et comparons une gamme de machines
modèles d'apprentissage, y compris à base de transformateur, basé sur un graphique, et siamois en deux temps
architectes. Notre approche la plus performante était un modèle hybride, qui combine
un ensemble de 5 modèles Chemformer avec un cadre siamois en deux étapes pour tirer parti
la précision des architectures de transformateurs, tout en filtrant “alchimique”
produits utilisant les prédictions de réseau en deux étapes. Pour évaluation, nous utilisons un test
diviser l'ensemble de données PMechDB et organiser en outre un ensemble de données de référence humaine
constitué de voies mécanistiques complètes extraites d’une chimie organique
manuel. Notre modèle hybride atteint une précision top 10 de 94.9% sur PMechDB
ensemble de test et un taux de récupération cible de 84.9% sur l'ensemble de données du parcours.
Cet article explore les excursions dans le temps et leurs implications.
Télécharger PDF: