[論文レビュー] Non-Autoregressive Electron Redistribution Modeling for Reaction Prediction

Hangrui Bi, Hengyi Wang+4 more|arXiv (Cornell University)|Jun 8, 2021

Machine Learning in Materials Science参考文献 26被引用数 11

ひとこと要約

この論文は、化学反応を同時に起こる電子の再配分としてモデル化する非自己回帰的フレームワークNERFを提案する。マルチポインタデコードネットワークを用いて、自己回帰的手法に比べて少なくとも27倍速く、SOTAのトップ1精度を達成するとともに、予測された電子フローにより解釈可能性が向上する。

ABSTRACT

Reliably predicting the products of chemical reactions presents a fundamental challenge in synthetic chemistry. Existing machine learning approaches typically produce a reaction product by sequentially forming its subparts or intermediate molecules. Such autoregressive methods, however, not only require a pre-defined order for the incremental construction but preclude the use of parallel decoding for efficient computation. To address these issues, we devise a non-autoregressive learning paradigm that predicts reaction in one shot. Leveraging the fact that chemical reactions can be described as a redistribution of electrons in molecules, we formulate a reaction as an arbitrary electron flow and predict it with a novel multi-pointer decoding network. Experiments on the USPTO-MIT dataset show that our approach has established a new state-of-the-art top-1 accuracy and achieves at least 27 times inference speedup over the state-of-the-art methods. Also, our predictions are easier for chemists to interpret owing to predicting the electron flows.

研究の動機と目的

• 自己回帰的手法の反応予測における限界を解決すること。自己回帰的手法は逐次的デコードに依存しており、並列計算を妨げる。
• 化学反応を同時に起こる電子フロー再配分としてモデル化することで、1ショットで反応生成物を予測可能にする。
• 結合の形成と切断を反映する電子フローのパターンを予測することで、化学者にとっての解釈可能性を向上させる。
• 多様でマルチモーダルな反応結果の生成を維持しつつ、高い精度と推論速度を達成する。
• 線形、環状、分岐、並列、マルチセンター反応を含む多様な分子トポロジーにわたる一般化を示すこと。

提案手法

• 化学反応を電子対の再配分としてモデル化し、共有電子対として表される共有結合を扱う。
• 結合の切断と形成を、原子間の有向電子フローとして定式化し、分子グラフにおけるエッジの変化として表現する。
• 条件付き変分オートエンコーダ（CVAE）を用いて反応物構造を潜在表現にエンコードし、反応予測タスクに活用する。
• 新規のマルチポインタデコードネットワークにより、すべての原子対について同時に流入および流出電子フローの確率を予測し、1ショット生成を可能にする。
• アテンションベースのポインタネットワークを用いて電子フローの方向と大きさを推定し、その後離散化して結合の変化を特定する。
• 予測された電子フローは、反応物グラフに対するエッジの追加および削除を直接行い、生成物分子を導出する。

実験結果

リサーチクエスチョン

• RQ1 非自己回帰的モデルは、並列デコードを可能にしつつ、反応予測でSOTAの精度を達成できるか？
• RQ2 反応を同時に起こる電子再配分としてモデル化することで、化学者にとっての解釈可能性が向上するか？
• RQ3 提案手法は、複雑でマルチセンター反応を含む多様な分子トポロジーに一般化できるか？
• RQ4 教師あり例のない状況でも副生成物を予測できるか？潜在変数モデリングに依存する。
• RQ5 自己回帰的ベースラインと比較して、トップ1精度と推論速度の両面で性能に差があるか？

主な発見

• NERFはUSPTO-MITデータセットにおいて、従来の自己回帰的手法を上回る新しいSOTAのトップ1精度を達成した。
• 自己回帰的手法のSOTAと比較して、少なくとも27倍速い推論速度を達成した。これは、電子フローの並列デコードによるものである。
• 線形、環状、分岐、並列、マルチセンター反応を含む、すべてのテストされた分子トポロジーにおいて、良好な一般化性能を示し、一貫した性能を維持した。
• CVAEフレームワーク内の潜在変数により、多様でマルチモーダルな予測が可能となり、自己回帰的手法と同等のトップ-k精度を達成した。
• ラベルなしの例が一切ない状況でも、DMSOなどの副生成物を正しく予測でき、電子フローのパターンから副反応を推論できる能力を示した。
• 予測された電子フローの可視化により、結合形成（青）と切断（赤）が明確に示され、反応機構の化学的に直感的な解釈が可能となった。