Retro-Rank-In: A Ranking-Based Approach for Inorganic Materials Synthesis Planning

要約

レトロシンセシスは、よりシンプルで容易に利用可能な前駆体化合物からの化学標的化合物の合成を戦略的に計画しています。
このプロセスは、新しい無機材料を合成するために重要ですが、無機化学の伝統的な方法は、試行錯誤の実験に依存し続けています。
新たな機械学習アプローチは、既知の前駆体に依存しているため、マルチラベル分類タスクとしてレトロシンセシスを組み立てるため、まったく新しい反応に一般化するのに苦労しています。
これらの制限に対処するために、ターゲットと前駆体材料を共有潜在空間に埋め込み、無機化合物の二部グラフでペアワイズランカーを学習することにより、レトロシンセシス問題を再定式化する新しいフレームワークであるレトロランクインを提案します。
データの複製と重複を緩和するために設計された挑戦的なレトロシンセシスデータセットスプリットに関するレトロランクインの一般化可能性を評価します。
たとえば、CR2ALB2の場合、トレーニングでそれらを見たことがないにもかかわらず、検証された前駆体ペアCRB + ALを正しく予測します。
広範な実験では、レトロランクインが、特に分散型の一般化と候補セットランキングにおいて、新しい最先端の最先端を設定し、無機材料合成を加速するための強力なツールを提供することが示されています。

要約(オリジナル)

Retrosynthesis strategically plans the synthesis of a chemical target compound from simpler, readily available precursor compounds. This process is critical for synthesizing novel inorganic materials, yet traditional methods in inorganic chemistry continue to rely on trial-and-error experimentation. Emerging machine-learning approaches struggle to generalize to entirely new reactions due to their reliance on known precursors, as they frame retrosynthesis as a multi-label classification task. To address these limitations, we propose Retro-Rank-In, a novel framework that reformulates the retrosynthesis problem by embedding target and precursor materials into a shared latent space and learning a pairwise ranker on a bipartite graph of inorganic compounds. We evaluate Retro-Rank-In’s generalizability on challenging retrosynthesis dataset splits designed to mitigate data duplicates and overlaps. For instance, for Cr2AlB2, it correctly predicts the verified precursor pair CrB + Al despite never seeing them in training, a capability absent in prior work. Extensive experiments show that Retro-Rank-In sets a new state-of-the-art, particularly in out-of-distribution generalization and candidate set ranking, offering a powerful tool for accelerating inorganic material synthesis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google