化情報学における 13C NMR 可逆学習：構造とスペクトルについて

arXiv:2602.03875v4 Announce Type: replace-cross 摘要：我々は、分子構造とスペクトルの双方向において単一の条件付き可逆ニューラルネットワークを使用する、13C NMR 用の可逆深学習モデルを導入しました。このネットワークは i-RevNet 型の双射ブロックで構成されているため、前方写影とその逆写影は建設的に利用可能です。我々は、グラフベースの構造エンコーディングから 128 ビット bin 化されたスペクトルコードを予測するようにモデルを訓練し、残存の潜在次元は残存変異を捉えます。推論時、我々は同じ訓練されたネットワークを逆写影してスペクトルコードから構造候補を生成し、これはスペクトルから構造の推論の一対多の性質を明確に表現します。フィルタリングされたサブセットにおいて、このモデルは訓練されたサンプルに対して数値的に逆写影可能であり、スペクトルコードの予測は偶然を上回り、検証スペクトルに対して逆写影した際にも粗ではあるが意味のある構造的シグナルを生み出します。これらの結果は、可逆アーキテクチャが単一のエンドツーエンドモデル内でスペクトル予測と不確実性意識的な候補生成を統合できることを示しています。

arXiv:2602.03875v4 Announce Type: replace-cross Abstract: We introduce a reversible deep learning model for 13C NMR that uses a single conditional invertible neural network for both directions between molecular structures and spectra. The network is built from i-RevNet style bijective blocks, so the forward map and its inverse are available by construction. We train the model to predict a 128-bit binned spectrum code from a graph-based structure encoding, while the remaining latent dimensions capture residual variability. At inference time, we invert the same trained network to generate structure candidates from a spectrum code, which explicitly represents the one-to-many nature of spectrum-to-structure inference. On a filtered subset, the model is numerically invertible on trained examples, achieves spectrum-code prediction above chance, and produces coarse but meaningful structural signals when inverted on validation spectra. These results demonstrate that invertible architectures can unify spectrum prediction and uncertainty-aware candidate generation within one end-to-end model.