ReactionTeam：组队专家实现超越典型反应模式的发散思维
机器学习
2025-11-13 v3 化学物理
摘要
反应预测是合成化学中的关键任务，旨在基于给定反应物预测反应产物。诸如 Transformer 之类的生成模型通常被用于预测反应产物。然而，这些最大化似然的模型忽视了化学反应固有的随机性，例如反应过程中电子在原子间可有多重重新分配方式。在相似反应物可能遵循不同电子重排模式的场景下，这些模型通常预测最常见结果，忽略罕见但潜在关键的的反应模式。这些被忽视的模式虽少，却能为合成路线设计带来创新方法并显著推进合成技术。为克服上述局限，我们构建一组专家模型以捕捉相同反应物的多样合理反应结果，模拟化学家的发散思维。所提框架 ReactionTeam 由专用专家模型组成，各模型训练用于捕捉一类不同的反应电子重排模式，并包含一个排序专家对生成预测进行评估与排序。在两个常用数据集及不同数据设置上的实验结果表明，相较现有最先进方法，我们提出的方法取得了显著更优性能。
引用
@article{arxiv.2310.04674,
title = {ReactionTeam: Teaming Experts for Divergent Thinking Beyond Typical Reaction Patterns},
author = {Taicheng Guo and Changsheng Ma and Xiuying Chen and Bozhao Nan and Kehan Guo and Shichao Pei and Nitesh V. Chawla and Olaf Wiest and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2310.04674},
year = {2025}
}
备注
Accepted as oral by the 2025 IEEE International Conference on Big Data (IEEE BigData 2025)