Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Tổng hợp ngược được liên kết với nhà hóa học bằng cách tập hợp các mô hình thiên vị cảm ứng đa dạng
Created by
Haebom
Tác giả
Krzysztof Maziarz, Guoqing Liu, Hubert Misztela, Austin Tripp, Junren Li, Aleksei Kornev, Piotr Gainski , Holger Hoefling, Mike Fortunato, Rishi Gupta, Marwin Segler
Phác thảo
Bài báo này đề xuất một mô hình retrosynthetic mới, RetroChimera, để khắc phục những hạn chế của các mô hình lập kế hoạch tổng hợp dựa trên AI. RetroChimera dựa trên hai thành phần mới được phát triển với các độ lệch quy nạp bổ sung, được kết hợp bằng cách sử dụng một khuôn khổ mới tích hợp các dự đoán từ nhiều nguồn thông qua chiến lược tổng hợp dựa trên học tập. Kết quả thử nghiệm chứng minh rằng RetroChimera vượt trội đáng kể so với các mô hình hàng đầu hiện có, thể hiện hiệu suất mạnh mẽ bên ngoài dữ liệu đào tạo và lần đầu tiên chứng minh khả năng học ngay cả với số lượng ví dụ rất nhỏ cho mỗi lớp phản ứng. Hơn nữa, các nhà hóa học hữu cơ công nghiệp thích các dự đoán của RetroChimera hơn các phản ứng từ dữ liệu đào tạo, thể hiện mức độ nhất quán cao. Cuối cùng, việc chuyển giao zero-shot trên một tập dữ liệu nội bộ từ một công ty dược phẩm lớn cho thấy khả năng khái quát hóa mạnh mẽ theo sự dịch chuyển phân phối.
Takeaways, Limitations
•
Takeaways:
◦
Giải quyết hiệu quả các vấn đề phản hồi hiếm gặp và dự đoán không chính xác của các mô hình lập kế hoạch tổng hợp dựa trên AI hiện có.
◦
Việc học vẫn có thể thực hiện được ngay cả với lượng dữ liệu nhỏ, giúp tăng hiệu quả sử dụng dữ liệu.
◦
Xác nhận độ tin cậy và tính thực tiễn của mô hình thông qua sở thích của các chuyên gia trong ngành.
◦
Khả năng khái quát hóa được cải thiện và khả năng áp dụng rộng rãi thông qua phương pháp chuyển giao không cần tiêm thuốc.
◦
Hiệu suất mạnh mẽ trên nhiều kích thước dữ liệu và chiến lược phân vùng khác nhau.
◦
Trình bày khả năng đẩy nhanh quá trình phát triển các mô hình chính xác hơn thông qua khuôn khổ tổng thể.
•
Limitations:
◦
Hiệu suất của mô hình RetroChimera được trình bày trong bài báo này có thể bị giới hạn ở các tập dữ liệu và điều kiện cụ thể.
◦
Cần nghiên cứu thêm để đánh giá khả năng diễn giải và độ tin cậy của kết quả dự đoán của mô hình.
◦
Cần phải xác nhận thêm về khả năng áp dụng và khả năng mở rộng trong môi trường công nghiệp thực tế.
