arXiv cs.LGは10月6日(現地時間)、Jose Eduardo Escrig Molina氏らが、化学反応を記述する新モデル「Neural Petri Flow」を導入した論文を公開した。このモデルは、Petri netsの理論的セマンティクスを保持し、反応のレート法則のみを学習する設計を特徴とする。既存手法では保証が難しかったセマンティクスの一貫性を、パラメータフリー層としてハードワイヤリングすることで実現。複数の化学反応予測タスクで高い性能を発揮している。
これまでPetri netsは、化学反応などのプロセスを記述するために利用されてきた。原子間の結合や自由原子価をプレース、結合次数の単位をトークン、結合の形成または切断をトランジション、原子価の予算を保存量、原子価規則をイネーブリングルールとしてマッピングすることが可能である。しかし、メッセージパッシングの足場としてPetri netsを利用する学習モデルやニューラルネットワークでは、これらのセマンティクスが常に保証されるわけではなかった。
論文では、いかなる重みに対してもPetri netsであり続けるアーキテクチャを追求し、その理論的基盤を確立したと述べている。Petri netsの全てのセマンティクスは、その発火形式、トランジションの入力のみを参照するイネーブリングの局所性、および共有されるイネーブリングルールによって維持される。また、保存量が発火形式を、非負性が局所的なレート法則におけるイネーブリングルールを強制することを証明した。
これにより、各トランジションの発火傾向を示すレート法則は自由に設定できるようになった。Neural Petri Flowは、このレート法則、または分類のためのリードアウトを学習し、残りの部分はパラメータフリー層としてハードワイヤリングする。論文が「原子価ネット」と呼ぶものにおいて、原子マッピング、反応分類、および順方向予測は、一つの発火ベクトル上で実行される三つのタスクとして扱われる。
トレーニングなしでの評価では、最小発火ベクトルがキュレーションされたGolden setの88.8%をマッピングし、RXNMapperの85.6%を上回った。また、EnzymeMapの酵素反応では88.7%をマッピングし、77.9%を上回る結果を示した。USPTO-480Kにおける検証では、これらの発火ベクトルでトレーニングされたNeural Petri Flowが生成物の87.7%を予測。トレーニング反応の1%のサブセットでトレーニングした場合でも67.4%を予測した。ECREACTのEC numberは、90.2%の反応で第3レベルでの予測に成功し、最高の公開手法より5.6ポイント先行した。トークンとして電子を使用した場合、同様のトークンゲームはFlowERの素過程の90.5%を初めて予測し、公開されたベースラインを上回った。トップ1の予測は全てフィルターなしで有効な分子であった。
参考: arXiv cs.LG (アーカイブ) — 2026年10月7日 02:44 (JST)