Forscher trainieren C3LM für einstufige Retrosynthese
Das Modell nutzt Top-K-Prompting und Plausibilitäts-Rewards auf rund 45,6 Millionen verifizierten Reaktionen.
Warum es wichtig ist
Das Paper argumentiert, dass die Bewertung anhand einer einzigen Antwort der One-to-many-Natur der Retrosynthese nicht gerecht wird, einer zentralen Aufgabe der computergestützten Syntheseplanung. Die Erkenntnis, dass LLMs und konventionelle Modelle komplementäre Reaktionsräume erkunden, weist auf Ensemble-Systeme für Chemie-KI hin.
Die Kernpunkte
- 1.C3LM zielt auf einstufige Retrosynthese mit plausibilitätsbewusstem Training.
- 2.Der Datensatz umfasst rund 45,6 Millionen verifizierte Reaktionen.
- 3.LLMs und konventionelle Modelle könnten in Ensembles am besten funktionieren.
Forscher haben C3LM vorgestellt, ein Chemistry Constraint-Consistent Language Model für die einstufige Retrosynthese. Die Arbeit nutzt Top-K-Prompting, um vielfältige, plausible Reaktionsvorhersagen zu erzeugen, und trainiert auf CREED-CCV-2+USPTO-XL, einem Datensatz mit rund 45,6 Millionen verifizierten Reaktionen. Mit Fine-Tuning sowie ChemCensor-basierten und neuheitsorientierten Rewards meldet das Modell Spitzenleistungen auf dem Out-of-Distribution-Benchmark URSA-expert-2026.
⚡ Heute ausprobieren
Retrosynthese-Modelle sollten mit plausiblen Top-K-Ausgaben bewertet werden, nicht nur nach Trefferquote bei Einzelantworten.
Quellen & Originalberichte
Dieser Brief fasst die Berichterstattung der folgenden Medien zusammen und verlinkt sie.
- arXiv cs.LGTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- arXiv cs.AITraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- arXiv cs.CLTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- HF Daily PapersTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 19, 4:00 AM↗
Hat dir dieses Briefing gefallen? Erhalte das nächste per Mail.
Mehr in Forschung
MemTrapBench testet kognitive Fallen beim Speichereinsatz von LLMs
Der Benchmark zeigt, dass Speicher die Aufgabenleistung verschlechtern kann, selbst wenn die abgerufenen Einträge relevant sind.
AI4AI-Bench testet Agenten beim Entwurf von Trainingsalgorithmen
Der arXiv-Benchmark prüft, ob LLM-Agenten Trainingsalgorithmen in eingefrorenen Repositories umschreiben können.
Neue Arbeiten zielen auf Sparse Attention für Long-Context-KI
Forschende schlagen Methoden für günstigere Long-Context-Inferenz, Serving, Videogenerierung und Speicher vor.