화학 반응을 위한 신경 페트리 흐름 (Neural Petri flows for chemical reactions)

페트리 넷(Petri nets)은 반응과 같은 화학 공정을 설명하는 데 사용되어 왔습니다. 이는 화학에 잘 매핑됩니다: 장소(Places)는 원자 간의 결합을 나타내고 각 원자의 자유 원자가 됩니다. 토큰(token)은 결합 차수(bond order) 단위이며, 전이(transition)는 결합을 형성하거나 끊습니다. 보존되는 양(conserved quantities)은 원자의 원자가 예산(valence budgets)이고, 활성화 규칙(enabling rule)은 원자가 규칙입니다. 이러한 의미론적 특성들은 반응의 학습된 모델이나 페트리 넷을 기반으로 메시지 전달에 네트워크를 사용하는 신경망에 의해 보장되지 않습니다. 여기서 우리는 모든 가중치 값에 대해 어떤 아키텍처가 페트리 넷으로 남아있는지를 질문합니다. 우리는 이론에서 답을 찾는데, 그곳에서는 모든 넷의 의미론이 발화 형태(firing form) $m^ extprime}=m+Cullet$와 국소성(locality), 즉 활성화가 전이의 입력만 읽는 것과 활성화 규칙을 공유하며, 보존성이 발화 형태를 강제하고 비음수성(non-negativity)이 지역 속도 법칙에 대한 활성화 규칙을 강제한다는 것을 증명합니다. 이는 속도 법칙(rate law), 즉 각 전이가 발화할 경향성을 자유롭게 남겨둡니다. 우리는 이 속도 법칙, 또는 분류를 위한 판독값(readout)을 학습하는 Neural Petri Flow를 도입하고 나머지 부분을 매개변수 없는 레이어(parameter-free layers)로 하드와이어링합니다. 우리가 원자가 넷(valence net), 원자 매핑(atom mapping), 반응 분류(reaction classification), 그리고 순방향 예측(forward prediction)이라고 부르는 것은 하나의 발화 벡터에 대한 세 가지 작업이 됩니다. 학습 없이도, 최소 발화 벡터는 선별된 Golden set에서 88.8%를, RXNMapper에서는 85.6%를, EnzymeMap의 효소 반응에서는 각각 88.7%와 77.9%를 매핑합니다. USPTO-480K 데이터셋에서, 이 발화 벡터로 학습된 NPF는 생성물의 87.7%를 예측하며, 훈련 반응의 1% 하위 집합으로 학습했을 때는 67.4%를 예측합니다. ECREACT의 EC 번호는 90.2%의 반응에 대해 세 번째 레벨에서 예측되었으며, 이는 발표된 최고 방법보다 5.6 포인트 앞선 수치입니다. 전자를 토큰으로 사용할 경우, 동일한 토큰 게임은 FlowER의 기본 단계(elementary steps) 중 90.5%를 최초로 예측했으며, 이는 발표된 기준점보다 앞서는 것이고, 모든 top-1 예측값은 필터 없이 유효한 분자입니다.