一种用于电子路径的生成模型
化学物理
2019-03-21 v2 机器学习
机器学习
摘要
化学反应可描述为分子中电子的逐步重分布。因此，反应常用“推箭头”图示来描述，将这种运动表示为一系列箭头。我们提出一种电子路径预测模型（ELECTRO），直接从原始反应数据中学习这些序列。与一次性从反应物分子直接预测产物分子不同，学习电子运动模型具有如下好处：(a) 易于化学家解释，(b) 纳入化学约束，例如反应前后原子数守恒，以及 (c) 自然编码化学反应的稀疏性，后者通常只涉及反应物中少数原子的改变。我们设计了一种方法，可从任意原子映射反应 SMILES 字符串数据集中提取近似反应路径。我们的模型在 USPTO 反应数据集的一个重要子集上取得了优异性能，优于最强的基线方法。此外，我们表明我们的模型在未经显式训练的情况下恢复了基础化学知识。
引用
@article{arxiv.1805.10970,
title = {A Generative Model For Electron Paths},
author = {John Bradshaw and Matt J. Kusner and Brooks Paige and Marwin H. S. Segler and José Miguel Hernández-Lobato},
journal= {arXiv preprint arXiv:1805.10970},
year = {2019}
}