Die Entwicklung von Synthesewegen für interessierende Moleküle ist entscheidend für die Entdeckung neuer Arzneimittel und Materialien. Um solche Wege zu finden, werden computerunterstützte Synthesevorplanungsmethoden (CASP) eingesetzt, die auf einem Ein-Schritt-Modell der chemischen Reaktivität basieren. In dieser Studie stellen wir ein templatebasiertes Ein-Schritt-Retrosynthesemodell vor, das auf modernen Hopfield-Netzwerken beruht und sowohl Moleküle als auch Reaktionsvorlagen lernend kodiert, um die Relevanz von Vorlagen für ein gegebenes Molekül vorherzusagen. Die Vorlagendarstellung ermöglicht eine Generalisierung über verschiedene Reaktionen hinweg und verbessert die Leistung der Vorlagerelevanzvorhersage erheblich, insbesondere für Vorlagen mit wenigen oder gar keinen Trainingsbeispielen. Dank einer Beschleunigung der Inferenz um Größenordnungen gegenüber Baseline-Methoden erreichen wir oder übertreffen die Stand der Technik hinsichtlich der Top-k-Genauigkeit bei exakten Übereinstimmungen für k ≥ 3 im Retrosynthesen-Benchmark USPTO-50k. Der Quellcode zur Nachvollziehbarkeit der Ergebnisse ist unter github.com/ml-jku/mhn-react verfügbar.