一种用于通过使用神经网络生成目标产物的装置被配置为：通过使用预先训练的逆合成预测模型，预测用于生成目标产物的候选反应物组合；通过使用预先训练的反应预测模型，预测关于候选反应物组合中的每个候选反应物组合的预测产物；以及基于目标产物与预测产物的比较结果，确定候选反应物组合的实验优先级顺序。确定候选反应物组合的实验优先级顺序。确定候选反应物组合的实验优先级顺序。
【技术实现步骤摘要】
通过使用神经网络合成目标产物的方法和装置
[0001]相关申请的交叉引用
[0002]本申请基于于2020年7月29日在韩国知识产权局提交的第10
‑
2020
‑
0094615号韩国专利申请和于2021年2月08日在韩国知识产权局提交的第10
‑
2021
‑
0017869号韩国专利申请，并要求其优先权，其公开内容通过引用整体并入本文。
[0003]本公开涉及一种通过使用神经网络合成目标产物的方法和装置。
技术介绍
[0004]神经网络是指模型化生物大脑的计算架构。随着神经网络技术的发展，神经网络已经被各个领域和系统用于分析输入数据和提取有效信息。
[0005]最近，神经网络技术正被用于推导有效和合适的反应物(reactant)，并提供各种候选反应物。
技术实现思路
[0006]提供了一种通过使用神经网络合成目标产物的方法和装置。示例实施例要实现的技术目标不限于上述技术任务，并且其他技术目的可以从下文描述的实施例中导出。
[0007]附加方面将在下面的描述中部分阐述，并且部分将从描述中明显，或者可以通过本公开的所呈现的示例实施例的实践来了解。
[0008]根据实施例的一方面，提供了一种使用神经网络合成目标产物的方法，该方法包括：基于预先训练的逆合成预测模型，预测用于生成目标产物的候选反应物组合；基于预先训练的反应预测模型，预测关于候选反应物组合中的每个候选反应物组合的预测产物；以及基于目标产物与预测产物的比较结果，确定候选反应物组合的实验优先级顺序。
[0009]该方法还包括接收测试反应物组合和对应于测试反应物组合的测试产物，以及使用预先训练的逆合成预测模型和预先训练的反应预测模型，基于测试反应物组合和测试产物，学习包括多个种类(class)的类别隐变量(categorical latent variable)。
[0010]类别隐变量的学习包括学习对应于表示测试产物中的每个测试产物的输入的类别隐变量的条件概率分布。
[0011]类别隐变量的学习包括基于由预先训练的产出率(yield rate)预测模型提供的预测产出率来学习类别隐变量。
[0012]候选反应物组合的预测和预测产物的预测基于所学习的类别隐变量。
[0013]候选反应物组合的预测包括：接收对应于目标产物的信息；基于对应于目标产物的信息预测包括多个种类的类别隐变量；以及基于对应于目标产物的信息和类别隐变量，获得对应于候选反应物组合的信息。
[0014]对应于候选反应物组合的信息的获得包括：基于表示目标产物的输入，计算候选反应物组合中的每个候选反应物组合的每个种类的似然(likelihood)；计算对应于表示目
标产物的输入和表示类别隐变量的输入的逆合成预测结果的似然；和基于每个种类的似然和逆合成预测结果的似然，选择预定数量的最终候选反应物组合。
[0015]类别隐变量的预测包括提供用于生成目标产物的预期反应方法作为类别隐变量的输入值。
[0016]预测产物的预测包括：接收对应于候选反应物组合的信息；接收包括多个种类的类别隐变量；以及基于对应于候选反应物组合的信息和类别隐变量，获得对应于关于候选反应物组合中的每个候选反应物组合的预测产物的信息。
[0017]候选反应物组合的实验优先级顺序的确定包括：基于表示候选反应物组合中的每个候选反应物组合的输入，确定预测产物和目标产物是否彼此对应；以及基于预测产物和目标产物是否彼此对应来确定候选反应物组合的实验优先级顺序。
[0018]在另一实施例中，有一种包括神经网络的装置，该装置包括：存储器，存储至少一个程序；和处理器，被配置为执行至少一个程序以：基于预先训练的逆合成预测模型，预测用于生成目标产物的候选反应物组合；基于预先训练的反应预测模型，预测关于候选反应物组合中的每个候选反应物组合的预测产物；以及基于目标产物与预测产物的比较结果，确定候选反应物组合的实验优先级顺序。
[0019]处理器还被配置为使用预先训练的逆合成预测模型和预先训练的反应预测模型，基于测试反应物组合和对应于测试反应物组合的测试产物，学习包括多个种类的类别隐变量。
[0020]预先训练的逆合成预测模型和预先训练的反应预测模型学习关于表示测试产物中的每个测试产物的输入的类别隐变量的条件概率分布。
[0021]预先训练的逆合成预测模型和预先训练的反应预测模型基于由预先训练的产出率预测模型提供的预测产出率来学习类别隐变量。
[0022]处理器还被配置为预测候选反应物组合，并且预测产物的预测基于所学习的类别隐变量。
[0023]处理器还被配置为执行至少一个程序以：接收对应于目标产物的信息；基于对应于目标产物的信息预测包括多个种类的类别隐变量；以及基于对应于目标产物的信息和类别隐变量，获得对应于候选反应物组合的信息。
[0024]处理器还被配置为执行至少一个程序以：基于表示目标产物的输入，计算候选反应物组合中的每个候选反应物组合的每个种类的似然；计算关于表示目标产物的输入和表示类别隐变量的输入的逆合成预测结果的似然；和基于每个种类的似然和逆合成预测结果的似然，选择预定数量的最终候选反应物组合。
[0025]提供用于生成目标产物的预期反应方法作为类别隐变量的输入值。
[0026]处理器还被配置为执行至少一个程序以：接收对应于候选反应物组合的信息；接收包括多个种类的类别隐变量；以及基于对应于候选反应物组合的信息和类别隐变量，获得对应于与候选反应物组合中的每个候选反应物组合相对应的预测产物的信息。
[0027]处理器还被配置为执行至少一个程序以：基于表示候选反应物组合中的每个候选反应物组合的输入，确定预测产物和目标产物是否彼此对应；以及基于预测产物和目标产物是否彼此对应来确定候选反应物组合的实验优先级顺序。
[0028]在又一实施例中，有一种装置，包括：存储器，存储至少一个程序；和处理器，被配
置为执行至少一个程序以：基于预先训练的逆合成预测模型，预测针对目标产物的候选反应物组合；基于预先训练的反应预测模型，预测对应于候选反应物组合中的每个候选反应物组合的预测产物；基于候选反应物组合和预测产物，识别一个或多个包括多个种类的类别隐变量；以及基于一个或多个类别隐变量，确定候选反应物组合的实验优先级顺序。
附图说明
[0029]从以下结合附图的描述中，本公开的特定实施例的上述和其他方面、特征和优点将变得更加明显，在附图中：
[0030]图1是根据示例实施例的神经网络设备的硬件组件的框图；
[0031]图2是根据示例实施例的用于描述基于目标产物和预测产物之间的比较结果来确定候选反应物组合的实验优先级顺序的过程的图；
[0032]图3是用于描述类别隐变量的图；
[0033]图4是根据示例实施例的用于描述在逆合成预测模型和反应预测模型中执行的计算的图；
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种使用神经网络合成目标产物的方法，所述方法包括：基于预先训练的逆合成预测模型，预测用于生成目标产物的候选反应物组合；基于预先训练的反应预测模型，预测关于所述候选反应物组合中的每个候选反应物组合的预测产物；以及基于所述目标产物与所述预测产物的比较结果，确定所述候选反应物组合的实验优先级顺序。2.根据权利要求1所述的方法，还包括，接收测试反应物组合和对应于所述测试反应物组合的测试产物，以及使用所述预先训练的逆合成预测模型和所述预先训练的反应预测模型，基于所述测试反应物组合和所述测试产物，学习包括多个种类的类别隐变量。3.根据权利要求2所述的方法，其中，所述类别隐变量的学习包括学习对应于表示所述测试产物中的每个测试产物的输入的所述类别隐变量的条件概率分布。4.根据权利要求2所述的方法，其中，所述类别隐变量的学习包括基于由预先训练的产出率预测模型提供的预测产出率来学习所述类别隐变量。5.根据权利要求2所述的方法，其中，所述候选反应物组合的预测和所述预测产物的预测基于所学习的类别隐变量。6.根据权利要求1所述的方法，其中，所述候选反应物组合的预测包括：接收对应于所述目标产物的信息；基于对应于所述目标产物的信息预测包括多个种类的类别隐变量；以及基于对应于所述目标产物的信息和所述类别隐变量，获得对应于所述候选反应物组合的信息。7.根据权利要求6所述的方法，其中，对应于所述候选反应物组合的信息的获得包括：基于表示所述目标产物的输入，计算所述候选反应物组合中的每个候选反应物组合的每个种类的似然；计算对应于表示所述目标产物的输入和表示所述类别隐变量的输入的逆合成预测结果的似然；和基于每个种类的似然和逆合成预测结果的似然，选择预定数量的最终候选反应物组合。8.根据权利要求6所述的方法，其中，所述类别隐变量的预测包括提供用于生成所述目标产物的预期反应方法作为所述类别隐变量的输入值。9.根据权利要求1所述的方法，其中，所述预测产物的预测包括：接收对应于所述候选反应物组合的信息；接收包括多个种类的类别隐变量；以及基于对应于所述候选反应物组合的信息和所述类别隐变量，获得对应于关于所述候选反应物组合中的每个候选反应物组合的预测产物的信息。10.根据权利要求1所述的方法，其中，所述候选反应物组合的实验优先级顺序的确定包括：基于表示所述候选反应物组合中的每个候选反应物组合的输入，确定所述预测产物和所述目标产物是否彼此对应；以及
基于所述预测产物和所述目标产物是否彼此对应来确定所述候选反应物组合的实验优先级顺序。11.一种包括神经网络的装置，所述装置包括：存储器，存储至少一个程序；和处理器，被配置为执...
【专利技术属性】
技术研发人员：朴珉植，权宁千，李东宜，崔伦硕，金恩知，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。