用于化学反应预测的图变换策略网络
神经与进化计算
2018-12-27 v1
摘要
我们解决化学中一个被称为化学反应产物预测的基本问题。我们的主要见解是，输入的反应物与试剂分子可以联合表示为一个图，而从反应物分子生成产物分子的过程可以表述为一系列图变换。为此，我们提出图变换策略网络(Graph Transformation Policy Network, GTPN)——一种结合图神经网络与强化学习优势、以最少化学知识直接从数据中学习反应的新型通用方法。与先前方法相比，GTPN具有一些引人注目的特性，例如：端到端学习，且不对图变换的长度或顺序作任何假设。为了引导模型在键变化集合的复杂离散空间中有效搜索，我们通过添加有用约束扩展了标准策略梯度损失。评估结果表明，在大型USPTO数据集上，GTPN将当前最先进方法的top-1准确率提高了约3%。我们在文中还仔细分析了模型的性能与预测误差。
引用
@article{arxiv.1812.09441,
title = {Graph Transformation Policy Network for Chemical Reaction Prediction},
author = {Kien Do and Truyen Tran and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1812.09441},
year = {2018}
}