HiRes: 반응 조건 추천을 위한 검토 가능한 선례 메모리

반응 조건 추천 (Reaction condition recommendation)은 역합성 단절 선택 (retrosynthetic disconnection selection) 바로 다음에 위치하며, 실제로 화학자들은 정확한 예측과 이를 정당화할 수 있는 선례 (precedents)를 모두 필요로 합니다. 우리는 학습된 반응 공간 (reaction space)이 분류 특징 (classifier feature)과 검토 가능한 선례 메모리 (inspectable precedent memory) 역할을 모두 수행하는 검색 증강 조건 추천 시스템인 HiRes (Hierarchical Reaction Representations)를 제시합니다. 이 모델은 그래프 인코더 (graph encoder), 변환 인식 교차 주의 집중 (transformation-aware cross-attention), 다중 스트림 반응 융합 (multi-stream reaction fusion), 그리고 k-NN 검색 레이어 (k-NN retrieval layer)를 결합합니다. HiRes는 primary-slot USPTO-Condition 모델들 사이에서 최첨단 (state-of-the-art) 성능을 달성하였으며, 촉매 (Catalyst), 용매 (Solvent), 시약 (Reagent)의 top-1 정확도 (Acc@1)를 각각 0.929, 0.534, 0.530에 도달했습니다. 이는 촉매 부문에서 보고된 최고의 베이스라인 (baseline)과 동등한 수준이며, 용매 및 시약 부문에서는 REACON과 같은 모델들을 능가합니다. 또한, 쌍을 이룬 부트스트랩 분석 (paired bootstrap analysis)을 통해 검색 (retrieval)을 학습된 조건 헤드 (learned condition heads)와 통합하는 것이 순수 파라미터 방식 (purely parametric approaches)에 비해 용매 및 시약 선택에서 통계적으로 유의미한 이득을 제공함을 입증했습니다. 궁극적으로 HiRes는 예측 정확도와 화학적 해석 가능성 (chemical interpretability) 사이의 간극을 메워, 경쟁력 있는 추천과 실제 합성 계획에 필요한 구체적인 화학적 선례를 모두 제공하는 단일 표현 (single representation)을 제공합니다.