HiRes：用于反应条件推荐的可检验性前例记忆
机器学习
2026-05-21 v1 人工智能
分子网络
摘要
反应条件推荐紧随反应断裂选择之后，在实践中，化学家需要准确的预测以及正面它们的前例。我们提出了 HiRes (Hierarchical Reaction Representations)，一种检索增强的条件推荐系统，其学习的反应空间既作为分类器特征，又作为可检验的前例记忆。该模型结合图编码器、转换感知的交叉注意力、多流反应融合和 k-NN 检索层。HiRes 在主要槽位 USPTO-Condition 模型中实现了最先进的性能，达到 Catalyst、Solvent 和 Reagent 的 top-1 准确率 (Acc@1) 分别为 0.929、0.534 和 0.530。它在 Catalyst 上与最佳报告的 baseline 挂平，在 Solvent 和 Reagent 上均优于如 REACON 等模型。此外，配对 bootstrap 分析表明，在纯参数方法之上整合检索与学习条件头部为溶剂和试剂选择提供了统计显著的提升。最终，HiRes 弥合了预测准确性与化学可解释性之间的鸿沟，提供单一表征，既提供具竞争力的推荐，又提供实用合成规划所必需的具体化学前例。
引用
@article{arxiv.2605.21420,
title = {HiRes: Inspectable Precedent Memory for Reaction Condition Recommendation},
author = {Shreyas Vinaya Sathyanarayana and Raja Sekhar Pappala and Deepak Warrier},
journal= {arXiv preprint arXiv:2605.21420},
year = {2026}
}