面向少样本与零样本反应模板预测的现代化Hopfield网络
机器学习
2021-06-16 v3 人工智能
生物大分子
机器学习
摘要
为感兴趣分子寻找合成路线是发现新药与新材料的关键步骤。为寻找此类路线，人们采用依赖化学反应性模型的计算机辅助合成规划（CASP）方法。在本研究中，我们以基于模板的方法使用现代化Hopfield网络（MHNs）对单步逆合成进行建模。我们调整MHNs以关联不同模态——反应模板与分子，这使模型能够利用关于反应模板的结构信息。该方法显著提升了模板相关性预测的性能，尤其是对于训练样本很少或为零的模板。推理速度比基线方法快数倍，我们在逆合成基准USPTO-50k上将k≥5时的top-k精确匹配准确率预测性能予以提升。
引用
@article{arxiv.2104.03279,
title = {Modern Hopfield Networks for Few- and Zero-Shot Reaction Template Prediction},
author = {Philipp Seidl and Philipp Renz and Natalia Dyubankova and Paulo Neves and Jonas Verhoeven and Marwin Segler and Jörg K. Wegner and Sepp Hochreiter and Günter Klambauer},
journal= {arXiv preprint arXiv:2104.03279},
year = {2021}
}
备注
14 pages + 12 pages appendix