論文の概要: ChemGraph: An Agentic Framework for Computational Chemistry Workflows

• arxiv url: http://arxiv.org/abs/2506.06363v1
• Date: Tue, 03 Jun 2025 21:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.023273
• Title: ChemGraph: An Agentic Framework for Computational Chemistry Workflows
• Title（参考訳）: ChemGraph: 計算化学ワークフローのためのエージェントフレームワーク
• Authors: Thang D. Pham, Aditya Tanikanti, Murat Keçeli,
• Abstract要約: ChemGraphは人工知能と最先端のシミュレーションツールを利用したエージェントフレームワークである。 ユーザーは分子構造生成、単一点エネルギー、幾何最適化、振動解析、熱化学計算などのタスクを実行できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atomistic simulations are essential tools in chemistry and materials science, accelerating the discovery of novel catalysts, energy storage materials, and pharmaceuticals. However, running these simulations remains challenging due to the wide range of computational methods, diverse software ecosystems, and the need for expert knowledge and manual effort for the setup, execution, and validation stages. In this work, we present ChemGraph, an agentic framework powered by artificial intelligence and state-of-the-art simulation tools to streamline and automate computational chemistry and materials science workflows. ChemGraph leverages graph neural network-based foundation models for accurate yet computationally efficient calculations and large language models (LLMs) for natural language understanding, task planning, and scientific reasoning to provide an intuitive and interactive interface. Users can perform tasks such as molecular structure generation, single-point energy, geometry optimization, vibrational analysis, and thermochemistry calculations with methods ranging from tight-binding and machine learning interatomic potentials to density functional theory or wave function theory-based methods. We evaluate ChemGraph across 13 benchmark tasks and demonstrate that smaller LLMs (GPT-4o-mini, Claude-3.5-haiku, Qwen2.5-14B) perform well on simple workflows, while more complex tasks benefit from using larger models like GPT-4o. Importantly, we show that decomposing complex tasks into smaller subtasks through a multi-agent framework enables smaller LLM models to match or exceed GPT-4o's performance in specific scenarios.
• Abstract（参考訳）: 原子論シミュレーションは化学や材料科学において重要なツールであり、新しい触媒、エネルギー貯蔵材料、医薬品の発見を加速させる。 しかし、これらのシミュレーションの実行は、幅広い計算方法、多様なソフトウェアエコシステム、そしてセットアップ、実行、検証ステージのための専門家の知識と手作業を必要とするため、依然として困難である。 本稿では、人工知能と最先端のシミュレーションツールを活用したエージェントフレームワークであるChemGraphを紹介し、計算化学と材料科学のワークフローを合理化し、自動化する。 ChemGraphはグラフニューラルネットワークベースの基礎モデルを活用して、正確だが計算効率のよい計算と、自然言語理解、タスク計画、科学的推論のための大規模言語モデル(LLM)を使用して、直感的でインタラクティブなインターフェースを提供する。 ユーザーは、密結合や機械学習の原子間ポテンシャルから密度汎関数理論や波動関数理論に基づく方法まで、様々な方法で分子構造生成、単一点エネルギー、幾何最適化、振動解析、熱化学計算などのタスクを実行できる。 我々は、13のベンチマークタスクにわたってChemGraphを評価し、より小さなLCM(GPT-4o-mini, Claude-3.5-haiku, Qwen2.5-14B)が単純なワークフローでうまく機能することを示した。 重要なことは、複雑なタスクをマルチエージェントフレームワークを通じて小さなサブタスクに分解することで、より小さなLCMモデルが特定のシナリオにおけるGPT-4oの性能に適合または超えることを示す。

関連論文リスト

• ChemAgent: Enhancing LLMs for Chemistry and Materials Science through Tree-Search Based Tool Learning [12.745398618084474]
  大規模言語モデル(LLM)は、最近化学タスクにおいて有望な能力を実証した。 本稿では,基本的な情報検索から複雑な反応予測まで,137種類の外部化学ツールを統合したLCMエージェントを提案する。
  論文  参考訳（メタデータ） (2025-06-09T08:41:39Z)
• AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams [2.5875933818780363]
  現在のAI手法では、化学プロセスのスケーリングにおいて重要な役割を担っているにもかかわらず、PFDやPIDを自動生成することはできない。 産業用PFDとPIDの自動生成のための閉ループ対応物理フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T13:32:00Z)
• ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning [64.2106664137118]
  ChemAgentは,大規模言語モデル(LLM)の性能向上を目的とした,新しいフレームワークである。 化学タスクをサブタスクに分解し、これらのサブタスクを将来のクエリに参照可能な構造化されたコレクションにコンパイルすることで開発される。 新しい問題を提示すると、ChemAgentは、私たちがメモリと呼ぶライブラリから関連する情報を検索し、精査する。
  論文  参考訳（メタデータ） (2025-01-11T17:10:30Z)
• 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)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
  Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。 このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。 我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)

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。