【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 ...
【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。