Reversibler Deep Learning-Ansatz für 13C‑NMR: Struktur & Spektrum vereint

Ein neues arXiv‑Paper (2602.03875v1) präsentiert einen reversiblen Deep‑Learning‑Ansatz, der die Vorhersage von 13C‑NMR‑Spektren und die Rekonstruktion von Molekülstrukturen in einem einzigen Modell vereint. Der Ansatz nutzt ein konditioniertes invertierbares neuronales Netzwerk, das sowohl die Vorwärts- als auch die Rückwärtsrichtung von Struktur zu Spektrum und umgekehrt abbildet.

Das Netzwerk basiert auf i‑RevNet‑Stil‑bijektiven Blöcken, wodurch die Forward‑ und Inverse‑Map von vornherein existieren. Während des Trainings lernt das Modell, einen 128‑Bit‑basierten Spektralkode aus einer graphbasierten Strukturkodierung vorherzusagen, während die verbleibenden latenten Dimensionen die residuale Variabilität erfassen.

Bei der Inferenz wird dasselbe trainierte Netzwerk invertiert, um aus einem Spektralkode Strukturauswahlkandidaten zu generieren. Dieser Ansatz spiegelt die mehrdeutige Natur der Spektrum‑zu‑Struktur‑Inference wider, indem er mehrere mögliche Strukturen gleichzeitig liefert. Auf einem gefilterten Datensatz zeigte das Modell numerische Invertierbarkeit bei Trainingsbeispielen, erreichte eine Vorhersagegenauigkeit über dem Zufallsniveau und erzeugte bei Validationsspektren grobe, aber sinnvolle strukturelle Signale.

Die Ergebnisse demonstrieren, dass invertierbare Architekturen die Vorhersage von Spektren und die Unsicherheitsbewertung bei der Kandidatengenerierung in einem End‑to‑End‑Modell zusammenführen können. Dieser Fortschritt eröffnet neue Möglichkeiten für die Chemoinformatik, indem er die Effizienz und Transparenz von Struktur‑Spektrum‑Analysen verbessert.