演化逆合成路线规划
人工智能
2024-07-16 v2
摘要
分子逆合成是化学领域一个重要且复杂的问题，然而传统手动合成方法不仅需要训练有素的专家，而且耗时。随着大数据与机器学习的发展，基于人工智能（AI）的逆合成正受到更多关注，并成为分子逆合成的有价值工具。目前，蒙特卡洛树搜索是解决该问题的主流搜索框架。然而，其搜索效率受限于庞大的搜索空间。因此，本文提出一种基于演化优化的逆合成路线规划新方法，标志着演化算法（EA）在多步逆合成领域的首次使用。所提方法将逆合成问题建模为优化问题，定义搜索空间与算子。此外，为提高搜索效率，实现了一种并行策略。新方法应用于四个案例产物并与蒙特卡洛树搜索比较。实验结果显示，与蒙特卡洛树搜索算法相比，EA平均显著减少单步模型调用次数53.9%。搜索三个解所需平均时间减少83.9%，可行搜索路线数量增加1.38倍。源代码可见于 https://github.com/ilog-ecnu/EvoRRP。
引用
@article{arxiv.2310.05186,
title = {Evolutionary Retrosynthetic Route Planning},
author = {Yan Zhang and Hao Hao and Xiao He and Shuanhu Gao and Aimin Zhou},
journal= {arXiv preprint arXiv:2310.05186},
year = {2024}
}