Rücksynthese – der Prozess der Identifizierung einer Reihe von Reaktanden zur Synthese eines Zielmoleküls – ist von entscheidender Bedeutung für die Materialgestaltung und die Entdeckung von Arzneimitteln. Bestehende maschinelles Lernen Ansätze, die auf Sprachmodellen und Graphen-neuronalen Netzen basieren, haben ermutigende Ergebnisse erzielt. In dieser Arbeit schlagen wir einen Rahmen vor, der sequenzbasierte und graphbasierte Methoden als energiebasierte Modelle (EBMs) mit unterschiedlichen Energiefunktionen vereint. Diese einheitliche Perspektive bietet wichtige Erkenntnisse über EBM-Varianten durch eine umfassende Leistungsbeurteilung. Darüber hinaus präsentieren wir eine neuartige duale Variante innerhalb des Rahmens, die durch die Einschränkung der Übereinstimmung zwischen den beiden Richtungen konsistentes Training über bayesianische Vorwärts- und Rückwärtsvorhersage durchführt. Dieses Modell verbessert den Stand der Technik bei templatefreien Ansätzen, bei denen der Reaktionstyp unbekannt ist, um 9,6 %.