热点事件持续更新

Neural Petri Flow：让化学反应预测保持Petri网语义的神经网络架构

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

研究者Jose Eduardo Escrig Molina与Daniel Probst提出Neural Petri Flow（NPF）架构，通过学习速率定律、将其余部分硬编码为无参数层，使网络在任意权重下都保持Petri网语义。在价键网（valence net）任务上，无需训练的最小点火向量在Golden集上映射准确率为88.8%，高于RXNMapper的85.6%；在EnzymeMap酶反应上为88.7%，高于77.9%。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

10月7日

12:00
arXiv：cs.LG
Neural Petri Flow：让化学反应预测保持 Petri 网语义的神经网络架构
研究者提出 Neural Petri Flow（NPF），一种对任意权重都仍是 Petri 网的架构，将速率定律交由网络学习、其余部分硬编码为无参数层。在价键网（valence net）上，无需训练的最小点火向量在 Golden 集上映射准确率 88.8%，高于 RXNMapper 的 85.6%；在 EnzymeMap 酶反应上为 88.7% 对 77.9%。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。