在化學合成中，選擇適當的反應條件對於提高產率至關重要。本研究提出了一種創新的深度學習模型，用於預測化學反應的最佳試劑、溶劑及反應溫度。我們的方法結合了多標籤分類模型(multilabel classification)與排序模型(ranking model)，根據預測的產率評估反應條件的優劣，並推薦最合適的選項。此外，針對數據較少記錄的低產率反應，本研究引入困難負樣本抽樣(hard negative sampling)，生成可能被錯誤分類的合成數據，以強化模型對決策邊界的學習，特別是在複雜或數據稀少的情境下。
如圖一所示，我們首先利用候選生成模型預測可能的試劑與溶劑，隨後透過排序模型根據預測產率進一步篩選最佳反應條件。實驗結果顯示，在測試案例中，模型能夠在73% 的情境下於前 10 筆推薦中包含正確的試劑與溶劑組合，並且在89% 的測試反應中成功預測反應溫度，誤差範圍在 ±20°C 內。值得注意的是，該模型不僅能夠準確預測已知的反應條件，還能提供資料集中未記錄的潛在替代選項，展現其在化學合成研究中的應用潛力。
本研究提出了一種高效的機器學習策略，能夠提升化學合成規劃的準確性與靈活性，為電腦輔助合成設計(CASP)及反應工程提供新的解決方案，並有望加速新材料與藥物的開發。（化工系李奕霈教授提供）
圖一、雙階段深度學習模型架構。本研究提出的反應條件推薦系統包含兩個步驟：(a) 候選生成模型，利用多標籤分類神經網路篩選可能的試劑與溶劑；(b) 排序模型，根據產率評分選擇最適合的反應條件，並進一步預測反應溫度。透過困難負樣本抽樣，模型能夠有效分辨不適合的反應條件，進一步提升預測準確度。