関心を持つ分子の合成経路を発見することは、新薬や新素材の開発において不可欠である。このような経路を探索するため、コンピュータ支援合成計画（CASP）手法が用いられており、それらは化学反応の単一ステップモデルに依拠している。本研究では、現代のホープフィールドネットワーク（Modern Hopfield Networks）に基づく、テンプレートを用いた単一ステップ逆合成モデルを提案する。このモデルは、分子および反応テンプレートの両方のエンコーディングを学習し、特定の分子に対して各テンプレートの関連性を予測することを目的としている。テンプレート表現により、異なる反応間での一般化が可能となり、特に訓練例が少ないうえにゼロのテンプレートにおいて、関連性予測の性能が著しく向上する。ベースライン手法と比較して、推論速度が桁違いに高速化された一方で、逆合成ベンチマークUSPTO-50kにおいて、k ≥ 3のtop-k正確一致精度（exact match accuracy）において、既存の最良手法と同等または上回る性能を達成した。結果の再現に用いるコードは、github.com/ml-jku/mhn-reactにて公開されている。