USPTO-50k
PulseAugur coverage of USPTO-50k — every cluster mentioning USPTO-50k across labs, papers, and developer communities, ranked by signal.
-
新的大语言模型RetroDFM-R提供推理驱动的逆合成预测
研究人员开发了RetroDFM-R，这是一种新开发的大语言模型，专为有机合成和药物发现中的逆合成规划而设计。该模型利用强化学习，不仅提供准确的预测，还提供透明的、分步的化学推理。RetroDFM-R在USPTO-50K基准测试中表现出优越的性能，其准确性高于先前最先进的方法，并在重建复杂的药物合成路线方面显示出潜力。
-
LLMs通过新模型和框架推动化学逆合成预测 · 跟踪4个来源
研究人员正在开发用于化学逆合成的先进大型语言模型（LLMs），旨在改进分子合成路线的预测。一种方法C3LM利用了约4560万个反应的庞大数据集和Top-K提示策略来生成多样化且合理的反应预测，在URSA-expert-2026等基准测试中取得了最先进的成果。另一种方法RetroMPA作为一个即插即用框架，通过整合化学知识作为先验来增强现有的逆合成模型，在USPTO-50K等数据集上显示出显著的准确性提升。此外，ConfRetro利用T…
-
新的RetroDiT框架通过结构感知AI改进化学反应预测
研究人员开发了一种新的结构感知框架，用于无模板逆合成，这是化学反应预测的关键过程。这种名为RetroDiT的方法利用带有旋转位置嵌入的图Transformer来显式编码反应中心原子的位置重要性。通过优先处理这些关键区域，RetroDiT在USPTO-50k和USPTO-Full等基准数据集上取得了最先进的性能，在数据量和计算步骤显著减少的情况下，优于更大的模型和扩散方法。
-
RETROSPECT系统提高了化学逆合成预测的准确性
研究人员开发了RETROSPECT，一个用于化学逆合成的新系统，提高了预测准确性和候选选择。该系统利用了一个基于Transformer的提案模型ChemAlign，并结合了一个LambdaMART重排器。这种方法在USPTO-50K数据集上实现了55.00%的top-1精确匹配准确率，展示了在预测化学反应方面的重大进展。
-
新的GRG方法提高了AI逆合成的准确性和速度
研究人员开发了一种名为图导向表示引导（GRG）的新方法，以改进用于逆合成的分子图生成器。该技术使用预训练编码器的表示来指导生成器，从而提高训练速度和生成质量。GRG在USPTO-50k数据集上的表现显著优于现有方法，在分布外场景中显示出更高的准确性和多样性。该方法还减少了训练时间，并引入了一种重新排序机制来进一步提高性能。