Retro-Rank-In：面向无机材料合成规划的基于排序的方法
化学物理
2025-02-11 v2 机器学习
摘要
反向合成战略性地规划从较简单、易获取的前体化合物合成化学靶标化合物的过程。这一过程对合成新型无机材料至关重要，但传统的无机化学方法仍依赖试错实验。新兴的机器学习方法在泛化到全新的反应时效果不佳，因其依赖已知的前体，将反向合成问题建模为多标签分类任务。为此，我们提出 Retro-Rank-In，一种新颖的框架，通过将靶标材料和前体材料嵌入共享的潜在空间，并在无机化合物的二分图上学习成对排序器来重新构建反向合成问题。我们在旨在缓解数据重复和重叠的具有挑战性的反向合成数据集分割上评估了 Retro-Rank-In 的泛化能力。例如，对于 Cr2AlB2，它正确预测了已验证的前体对 CrB + Al，尽管从未在训练中见过，此能力在以往工作中并不存在。广泛的实验表明，Retro-Rank-In 在分布外泛化和候选集排序方面均达到了新的状态最佳成绩，为加速无机材料合成提供了强大的工具。
引用
@article{arxiv.2502.04289,
title = {Retro-Rank-In: A Ranking-Based Approach for Inorganic Materials Synthesis Planning},
author = {Thorben Prein and Elton Pan and Sami Haddouti and Marco Lorenz and Janik Jehkul and Tymoteusz Wilk and Cansu Moran and Menelaos Panagiotis Fotiadis and Artur P. Toshev and Elsa Olivetti and Jennifer L. M. Rupp},
journal= {arXiv preprint arXiv:2502.04289},
year = {2025}
}