論文の概要: MOFGPT: Generative Design of Metal-Organic Frameworks using Language Models

• arxiv url: http://arxiv.org/abs/2506.00198v1
• Date: Fri, 30 May 2025 20:09:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.495096
• Title: MOFGPT: Generative Design of Metal-Organic Frameworks using Language Models
• Title（参考訳）: MOFGPT:言語モデルを用いた金属有機フレームワークの生成設計
• Authors: Srivathsan Badrinarayanan, Rishikesh Magar, Akshay Antony, Radheesh Sharma Meda, Amir Barati Farimani,
• Abstract要約: 応用固有の性質を持つ金属有機フレームワーク(MOF)は、材料化学における中心的な課題である。 我々はMOFのデノボ設計のための強化学習型トランスフォーマーベースのフレームワークを提案する。 特性フィードバックをシーケンス生成に統合することにより、このモデルを合成可能でトポロジカルに有効なMOFに向けて駆動する。
• 参考スコア（独自算出の注目度）: 5.417632175667162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of Metal-Organic Frameworks (MOFs) with application-specific properties remains a central challenge in materials chemistry, owing to the immense size and complexity of their structural design space. Conventional computational screening techniques such as molecular simulations and density functional theory (DFT), while accurate, are computationally prohibitive at scale. Machine learning offers an exciting alternative by leveraging data-driven approaches to accelerate materials discovery. The complexity of MOFs, with their extended periodic structures and diverse topologies, creates both opportunities and challenges for generative modeling approaches. To address these challenges, we present a reinforcement learning-enhanced, transformer-based framework for the de novo design of MOFs. Central to our approach is MOFid, a chemically-informed string representation encoding both connectivity and topology, enabling scalable generative modeling. Our pipeline comprises three components: (1) a generative GPT model trained on MOFid sequences, (2) MOFormer, a transformer-based property predictor, and (3) a reinforcement learning (RL) module that optimizes generated candidates via property-guided reward functions. By integrating property feedback into sequence generation, our method drives the model toward synthesizable, topologically valid MOFs with desired functional attributes. This work demonstrates the potential of large language models, when coupled with reinforcement learning, to accelerate inverse design in reticular chemistry and unlock new frontiers in computational MOF discovery.
• Abstract（参考訳）: 金属-有機系フレームワーク(MOF)の用途固有の性質の発見は、その構造設計空間の膨大なサイズと複雑さのため、材料化学における中心的な課題である。 分子シミュレーションや密度汎関数理論(DFT)のような従来の計算スクリーニング技術は正確ではあるが、大規模では計算が禁じられている。 機械学習は、材料発見を加速するためにデータ駆動アプローチを活用することで、エキサイティングな代替手段を提供する。 MOFの複雑さは、その拡張周期構造と多様なトポロジーによって、生成的モデリングアプローチの機会と課題の両方を生み出している。 これらの課題に対処するために,MOFのデノボ設計のための強化学習型トランスフォーマーベースのフレームワークを提案する。 当社のアプローチの中心は,接続性とトポロジの両方を符号化した化学インフォームド文字列表現であるMOFidで,スケーラブルな生成モデルを実現する。 このパイプラインは,(1)MOFidシーケンスに基づいてトレーニングされた生成GPTモデル,(2)変換器ベースのプロパティ予測器であるMOFormer,(3)プロパティ誘導報酬関数によって生成された候補を最適化する強化学習(RL)モジュールの3つのコンポーネントから構成される。 特性フィードバックをシーケンス生成に統合することにより、所望の機能特性を持つ合成可能トポロジカルに有効なMOFに向けてモデルを駆動する。 この研究は、強化学習と組み合わせることで、reticular chemistryにおける逆設計を加速し、計算MOF発見における新たなフロンティアを解放する大きな言語モデルの可能性を示す。

関連論文リスト

• Configurable Foundation Models: Building LLMs from a Modular Perspective [115.63847606634268]
  LLMを多数の機能モジュールに分解する傾向が高まり、複雑なタスクに取り組むためにモジュールの一部とモジュールの動的アセンブリを推論することができる。 各機能モジュールを表すブロックという用語を造語し、モジュール化された構造をカスタマイズ可能な基礎モデルとして定義する。 検索とルーティング,マージ,更新,成長という,レンガ指向の4つの操作を提示する。 FFN層はニューロンの機能的特殊化と機能的ニューロン分割を伴うモジュラーパターンに従うことが判明した。
  論文  参考訳（メタデータ） (2024-09-04T17:01:02Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• GeoMFormer: A General Architecture for Geometric Molecular Representation Learning [84.02083170392764]
  我々はこの目的を達成するためにGeoMFormerと呼ばれるトランスフォーマーに基づく新しい分子モデルを導入する。 我々は,GeoMFormerが,異なる型やスケールの不変タスクと同変タスクの両方において,高い性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-06-24T17:58:13Z)
• MOFDiff: Coarse-grained Diffusion for Metal-Organic Framework Design [4.819734936375677]
  金属-有機フレームワーク(MOF)は、ガス貯蔵や炭素捕獲といった応用に非常に関心がある。 CGMOF構造を生成する粗粒拡散モデルMOFDiffを提案する。 有効かつ斬新なMOF構造の生成能力と優れたMOF材料の設計における有効性を評価する。
  論文  参考訳（メタデータ） (2023-10-16T18:00:15Z)
• Molecular De Novo Design through Transformer-based Reinforcement Learning [38.803770968809225]
  分子デノボ設計のためのトランスフォーマーを用いた生成モデルを微調整する手法を提案する。 提案手法は, 種々の生物標的に対して活性を示すと予測された化合物の生成において, 優れた性能を示す。 本手法は, 足場ホッピング, 単一分子からのライブラリ拡張, 生物標的に対する高い活性の化合物の生成に有効である。
  論文  参考訳（メタデータ） (2023-10-09T02:51:01Z)
• MOFormer: Self-Supervised Transformer model for Metal-Organic Framework Property Prediction [7.367477168940467]
  金属有機フレームワーク(英: Metal-Organic Frameworks、MOFs)は、エネルギー貯蔵、脱塩、ガス貯蔵、ガス分離などの用途に使用できる多孔質材料である。 特定のアプリケーションに最適なMOFを見つけるには、膨大な数の候補を効率よく正確に探索する必要がある。 そこで本研究では,MOFの特性予測のために,MOFormerと呼ばれるトランスフォーマーモデルに基づく構造に依存しないディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-25T17:29:42Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Characterizing the Latent Space of Molecular Deep Generative Models with Persistent Homology Metrics [21.95240820041655]
  変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。 本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-18T13:33:02Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。