Kürzlich haben template-basierte (TB) und template-freie (TF) Methoden zur Molekülgaphen-Lernung vielversprechende Ergebnisse bei der Rückwärts-Synthese erzielt. TB-Methoden zeichnen sich durch höhere Genauigkeit aus, da sie vorab kodierte Reaktionsvorlagen nutzen, während TF-Methoden aufgrund der Zerlegung der Rückwärts-Synthese in Teilprobleme – nämlich die Identifikation des Zentrums und die Vervollständigung von Synthons – eine bessere Skalierbarkeit bieten. Um die Vorteile beider Ansätze zu kombinieren, schlagen wir vor, eine vollständige Vorlage in mehrere halb-Template zu zerlegen und diese in einen zweistufigen TF-Framework einzubetten. Da viele dieser halb-Templates redundant sind, kann die Template-Redundanz reduziert werden, während dennoch die wesentlichen chemischen Kenntnisse erhalten bleiben, um die Vervollständigung von Synthons zu erleichtern. Wir bezeichnen unsere Methode als SemiRetro, führen eine neue GNN-Schicht (DRGAT) zur Verbesserung der Zentrumserkennung ein und stellen ein neuartiges Selbstkorrekturmodul zur Verbesserung der Klassifizierung von halb-Templates vor. Experimentelle Ergebnisse zeigen, dass SemiRetro sowohl gegenüber bestehenden TB- als auch TF-Methoden deutlich übertrifft. In Bezug auf die Skalierbarkeit deckt SemiRetro 98,9 % der Daten mit nur 150 halb-Templates ab, während die vorherige template-basierte GLN-Methodik 11.647 Vorlagen benötigte, um 93,3 % der Daten abzudecken. In der Top-1-Accuracy erreicht SemiRetro eine Verbesserung um 4,8 % gegenüber der template-freien G2G-Methode bei bekannten Klassen und um 6,0 % bei unbekannten Klassen. Zudem weist SemiRetro eine bessere Trainings-Effizienz als bestehende Ansätze auf.