ReactionTeam: Teaming Experts for Divergent Thinking Beyond Typical Reaction Patterns
Taicheng Guo, Changsheng Ma, Xiuying Chen, Bozhao Nan, Kehan Guo, Shichao Pei, Nitesh V. Chawla, Olaf Wiest, Xiangliang Zhang
反应预测是合成化学中的一个关键任务,它是根据给定反应物预测反应的结果。 像Transformer这样的生成模型通常用于预测反应产物。 然而,这些可能性最大化模型忽略了化学反应固有的随机性,例如电子在反应过程中可以在原子之间重新分配的多种方式。 在类似反应物可以遵循不同的电子再分配模式的情景中,这些模型通常预测最常见的结果,忽略了不太频繁但可能至关重要的反应模式。 这些被忽视的模式虽然罕见,但可以导致设计合成路线的创新方法,并显着推进合成技术。 为了解决这些限制,我们建立了一个专家模型团队,以捕获相同反应物的不同合理反应结果,模仿化学家的发散思维。 拟议的框架ReactionTeam由专门的专家模型组成,每个模型都经过训练,以捕获不同类型的电子再分配模式,以及评估并命令生成预测的排名专家。 在两个广泛使用的数据集和不同的数据设置上进行的实验结果表明,与现有的最先进的方法相比,我们提出的方法实现了显着更好的性能。
Reaction prediction, a critical task in synthetic chemistry, is to predict the outcome of a reaction based on given reactants. Generative models like Transformer have typically been employed to predict the reaction product. However, these likelihood-maximization models overlooked the inherent stochastic nature of chemical reactions, such as the multiple ways electrons can be redistributed among atoms during the reaction process. In scenarios where similar reactants could follow different electro...
