基于可逆深度学习的 13C NMR 预测：结构与谱图
机器学习
2026-04-24 v4 人工智能
定量方法
摘要
我们提出一种用于 13C NMR 的可逆深度学习模型，该模型使用单个条件可逆神经网络在分子结构与光谱之间进行双向映射。该网络由 i-RevNet 风格的双射块构成，因此正向映射及其逆向映射可由构造实现。我们训练模型从基于图的结构编码预测 128 位二进位光谱编码，而剩余的潜在维度捕捉残余变异。在推断时，我们对同一训练好的网络进行逆向操作，以从光谱编码生成结构候选，从而显式地表示光谱到结构推断的单向多性。经过过滤后的子集上，该模型在训练样本上数值可逆，实现光谱编码预测超出随机水平，并在对验证光谱进行逆向操作时产生粗糙但有意义的结构信号。这些结果表明，可逆架构能够在单一的端到端模型中统一光谱预测与不确定性感知的候选生成。
引用
@article{arxiv.2602.03875,
title = {Reversible Deep Learning for 13C NMR in Chemoinformatics: On Structures and Spectra},
author = {Stefan Kuhn and Vandana Dwarka and Przemyslaw Karol Grenda and Eero Vainikko},
journal= {arXiv preprint arXiv:2602.03875},
year = {2026}
}
备注
10 pages, 4 figures, 4 tables