Модель RetroChimera превосходит аналоги в ретросинтезе и получает предпочтение химиков
Материал подготовлен искусственным интеллектом на основе нескольких источников — ссылки на оригиналы приведены ниже.
Microsoft Research и партнёры представили модель RetroChimera, которая превосходит ведущие аналоги в задачах ретросинтеза. Химики-органики предпочли её прогнозы опубликованным эталонным реакциям и другим ИИ-моделям. Модель показала zero-shot перенос и дообучение на внутренних данных Novartis и GSK.
Ключевые факты
- RetroChimera разработана Microsoft Research AI for Science при участии Novartis, GSK, Кембриджского университета, Ягеллонского университета и Бергишского университета Вупперталя.
- Модель превосходит ведущие аналоги на нескольких порядках масштаба данных и обучается на очень малом числе примеров для каждого класса реакций.
- Химики-органики предпочли прогнозы RetroChimera опубликованным эталонным реакциям и другим ИИ-моделям как в парных, так и в точечных сравнениях.
- RetroChimera продемонстрировала zero-shot перенос и дообучение на внутренних наборах данных Novartis и GSK, показав устойчивое обобщение при сдвиге распределения.
Архитектура модели
RetroChimera объединяет два новых компонента с взаимодополняющими индуктивными смещениями через новую стратегию ансамблирования на основе обучения. Модель создана Microsoft Research AI for Science в Кембридже (Великобритания), равный вклад внесли Кшиштоф Мажар, Гоцин Лю и Феликс Пултар. Исследователи проанализировали режимы отказов современных ИИ-моделей, включая трудности с редкими, но стратегически важными реакциями и галлюцинаторные прогнозы, не соответствующие ожиданиям химиков.
Экспериментальная проверка
Эксперименты на нескольких порядках масштаба данных показали, что RetroChimera превосходит ведущие аналоги и демонстрирует устойчивость за пределами обучающих данных. В парных и точечных оценках химики-органики предпочли прогнозы RetroChimera опубликованным эталонным реакциям и другим ИИ-моделям. Модель достигла zero-shot переноса и дообучения на внутренних наборах данных Novartis Biomedical Research в Базеле и GSK в Стивенидже.
Применение в фармацевтике
RetroChimera показала устойчивое обобщение при сдвиге распределения на внутренних наборах данных двух крупных фармацевтических компаний. Работа демонстрирует жизнеспособность глубокого обучения для точного прогнозирования синтеза во всё более сложных условиях.
1 источник
Время · отставание