論文の概要: Unifying Polymer Modeling and Design via a Conformation-Centric Generative Foundation Model

• arxiv url: http://arxiv.org/abs/2510.16023v1
• Date: Wed, 15 Oct 2025 17:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.78112
• Title: Unifying Polymer Modeling and Design via a Conformation-Centric Generative Foundation Model
• Title（参考訳）: コンフォーメーション中心生成ファンデーションモデルによる高分子のモデリングと設計
• Authors: Fanmeng Wang, Shan Mei, Wentao Guo, Hongshuai Wang, Qi Ou, Zhifeng Gao, Hongteng Xu,
• Abstract要約: ポリコンFM(PolyConFM)は、コンフォメーション中心の事前学習を通じて高分子モデリングと設計を統合するための基礎モデルである。 本研究では, 分子動力学シミュレーションによる初の高品質ポリマーコンホメーションデータセットを構築し, データの分散を緩和する。 実験により、PolyConFMは様々な下流タスクにおいて、代表的タスク固有のメソッドよりも一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 29.414571977709098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polymers, macromolecules formed from covalently bonded monomers, underpin countless technologies and are indispensable to modern life. While deep learning is advancing polymer science, existing methods typically represent the whole polymer solely through monomer-level descriptors, overlooking the global structural information inherent in polymer conformations, which ultimately limits their practical performance. Moreover, this field still lacks a universal foundation model that can effectively support diverse downstream tasks, thereby severely constraining progress. To address these challenges, we introduce PolyConFM, the first polymer foundation model that unifies polymer modeling and design through conformation-centric generative pretraining. Recognizing that each polymer conformation can be decomposed into a sequence of local conformations (i.e., those of its repeating units), we pretrain PolyConFM under the conditional generation paradigm, reconstructing these local conformations via masked autoregressive (MAR) modeling and further generating their orientation transformations to recover the corresponding polymer conformation. Besides, we construct the first high-quality polymer conformation dataset via molecular dynamics simulations to mitigate data sparsity, thereby enabling conformation-centric pretraining. Experiments demonstrate that PolyConFM consistently outperforms representative task-specific methods on diverse downstream tasks, equipping polymer science with a universal and powerful tool.
• Abstract（参考訳）: 高分子、高分子は共有結合モノマーから形成され、無数のテクノロジーを基盤としており、現代の生活には不可欠である。 ディープラーニングは高分子科学を進歩させているが、既存の手法は一般にモノマーレベルの記述子を通してポリマー全体を表現し、ポリマーのコンフォメーションに固有の大域的な構造情報を見渡して、最終的に実用性能を制限している。 さらに、この分野には、多様な下流タスクを効果的にサポートできる普遍的な基盤モデルがないため、進歩を厳しく制限する。 これらの課題に対処するために、コンフォメーション中心の生成前トレーニングを通じて高分子モデリングと設計を統合する最初のポリマー基礎モデルであるPolyConFMを導入する。 それぞれのポリマー配座が局所配座の列(すなわち、繰り返し単位の列)に分解できることを認識し、条件生成パラダイムの下でポリConFMを事前訓練し、これらの局所配座をマスク付き自己回帰(MAR)モデルで再構成し、さらにそれらの配向変換を生成して対応するポリマー配座を復元する。 さらに, 分子動力学シミュレーションによる初の高品質高分子コンフォメーションデータセットを構築し, データの分散を緩和し, コンフォメーション中心の事前学習を可能にする。 実験により、PolyConFMは様々な下流タスクにおける代表的タスク固有の手法よりも優れており、普遍的で強力なツールで高分子科学を取り入れていることが示された。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• polyGen: A Learning Framework for Atomic-level Polymer Structure Generation [4.6516580885528835]
  繰り返し単位化学のような最小の入力から高分子構造に特異的に設計された最初の生成モデルであるpolyGenを紹介する。 ポリゲンは、高分子の伝統的な結晶構造予測法の限界を克服し、現実的で多様な線形および分岐配座を生成することに成功した。 天然高分子の弾力性を示す最初の原子レベルの実証実験として、物質構造生成の新たな能力を示す。
  論文  参考訳（メタデータ） (2025-04-24T15:26:00Z)
• PolyConf: Unlocking Polymer Conformation Generation through Hierarchical Generative Models [28.480039088875635]
  PolyConfは、高度に調整されたポリマーコンホメーション生成法である。 我々は、ポリマー配座を一連の局所配座に分解し、自己回帰モデルを通してこれらの局所配座を生成する。 次に、拡散モデルを用いてそれらの配向変換を生成し、それらを完全なポリマー配座に組み立てる。
  論文  参考訳（メタデータ） (2025-04-11T07:12:02Z)
• Multimodal machine learning with large language embedding model for polymer property prediction [2.525624865489335]
  本稿では,高分子特性予測タスクに対して,単純で効果的なマルチモーダルアーキテクチャであるPolyLLMemを提案する。 PolyLLMemは、Llama 3によって生成されたテキスト埋め込みとUni-Mol由来の分子構造埋め込みを統合する。 その性能は、グラフベースのモデルやトランスフォーマーベースのモデルと同等であり、場合によってはそれ以上である。
  論文  参考訳（メタデータ） (2025-03-29T03:48:11Z)
• 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)
• E(3)-equivariant models cannot learn chirality: Field-based molecular generation [51.327048911864885]
  キラリティは薬物の安全性と効力性を決定する上で重要な役割を果たしている。 回転対称性の制約に取って代わる基準回転を提案する。 提案モデルでは、キラル性を含む全ての分子測地を捕捉するが、標準ベンチマーク指標のE(3)に基づく手法と高い競争性能を保っている。
  論文  参考訳（メタデータ） (2024-02-24T17:13:58Z)
• TransPolymer: a Transformer-based language model for polymer property predictions [9.04563945965023]
  TransPolymerは、トランスフォーマーをベースとした、高分子特性予測のための言語モデルである。 ケミカル・アウェアネスを用いたポリマー・トークンーザは, ポリマー配列からの学習表現を可能にする。
  論文  参考訳（メタデータ） (2022-09-03T01:29:59Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• 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)

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。