論文の概要: Socrates-Mol: Self-Oriented Cognitive Reasoning through Autonomous Trial-and-Error with Empirical-Bayesian Screening for Molecules
- arxiv url: http://arxiv.org/abs/2511.11769v1
- Date: Fri, 14 Nov 2025 08:02:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.296018
- Title: Socrates-Mol: Self-Oriented Cognitive Reasoning through Autonomous Trial-and-Error with Empirical-Bayesian Screening for Molecules
- Title（参考訳）: Socrates-Mol: 分子の実証的ベイジアンスクリーニングによる自律的試行錯誤による自己指向型認知推論
- Authors: Xiangru Wang, Zekun Jiang, Heng Yang, Cheng Tan, Xingying Lan, Chunming Xu, Tianhang Zhou,
- Abstract要約: 本稿では,言語モデルを経験的ベイズ推論に変換するフレームワークであるSocrates-Molを紹介する。
産業スクリーニングの優先順位に合わせたランキングタスクを導入し、5つの言語モデルにまたがる相互モデルの自己整合性を適用し、分散を低減する。
このフレームワークは、完全な微調整に比べてデプロイコストを70%以上削減し、分子特性予測のためのスケーラブルなソリューションを提供する。
- 参考スコア（独自算出の注目度）: 10.161713741692568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular property prediction is fundamental to chemical engineering applications such as solvent screening. We present Socrates-Mol, a framework that transforms language models into empirical Bayesian reasoners through context engineering, addressing cold start problems without model fine-tuning. The system implements a reflective-prediction cycle where initial outputs serve as priors, retrieved molecular cases provide evidence, and refined predictions form posteriors, extracting reusable chemical rules from sparse data. We introduce ranking tasks aligned with industrial screening priorities and employ cross-model self-consistency across five language models to reduce variance. Experiments on amine solvent LogP prediction reveal task-dependent patterns: regression achieves 72% MAE reduction and 112% R-squared improvement through self-consistency, while ranking tasks show limited gains due to systematic multi-model biases. The framework reduces deployment costs by over 70% compared to full fine-tuning, providing a scalable solution for molecular property prediction while elucidating the task-adaptive nature of self-consistency mechanisms.
- Abstract（参考訳）: 分子特性予測は溶媒スクリーニングなどの化学工学的応用の基礎となる。
本稿では,言語モデルを経験的ベイズ推論に変換するフレームワークであるSocrates-Molを紹介する。
このシステムは、初期出力が先行として機能し、回収された分子ケースが証拠を提供する反射予測サイクルを実装し、洗練された予測が後部を形成し、スパースデータから再利用可能な化学規則を抽出する。
産業スクリーニングの優先順位に合わせたランキングタスクを導入し、5つの言語モデルにまたがる相互モデルの自己整合性を適用し、分散を低減する。
回帰は72%のMAE削減と112%のR-2乗改善を自己整合性を通じて達成し、ランキングタスクは系統的なマルチモデルバイアスによる限られた利得を示す。
このフレームワークは、完全な微調整に比べてデプロイメントコストを70%以上削減し、自己整合性メカニズムのタスク適応性を理解しつつ、分子特性予測のためのスケーラブルなソリューションを提供する。
関連論文リスト
- A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - Chemist-aligned retrosynthesis by ensembling diverse inductive bias models [5.47805641978534]
RetroChimeraは、相補的誘導バイアスを持つ2つの新たに開発されたコンポーネント上に構築されたフロンティア再合成モデルである。
トレーニングデータの外部で堅牢性を実証し、主要なモデルを大きなマージンで上回ります。
また、大手製薬会社から内部データセットへのゼロショット転送を実証する。
論文 参考訳（メタデータ） (2024-12-06T18:55:19Z) - A Unified Approach to Inferring Chemical Compounds with the Desired Aqueous Solubility [5.763661159910719]
水溶性(AS)は、医薬品の発見と材料設計において重要な役割を果たす重要な物理化学的性質である。
本稿では,単純な決定論的グラフ理論記述子に基づいて,化学化合物を所望のASで予測し,推定するための新しい統一的アプローチについて報告する。
論文 参考訳（メタデータ） (2024-09-06T14:20:38Z) - Distribution Learning for Molecular Regression [10.96062816455682]
Distributional Mixture of Experts (DMoE) はモデルに依存しない、データに依存しない回帰法である。
分子特性予測データセットを用いたDMoEの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-30T00:21:51Z) - Holistic chemical evaluation reveals pitfalls in reaction prediction
models [0.3065062372337749]
本稿では, より総合的な評価をめざして, 現状のアプローチに基づく新たな評価手法を提案する。
ChoRISOは、化学的に関連するシナリオを再現するために、複数の調整された分割と共に、キュレートされたデータセットである。
私たちの研究は、最終的に化学発見を加速できる堅牢な予測モデルへの道を開いた。
論文 参考訳（メタデータ） (2023-12-14T14:54:28Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳（メタデータ） (2022-08-23T17:01:16Z) - Low cost prediction of probability distributions of molecular properties
for early virtual screening [0.8702432681310399]
本稿では, 階層的相関再構築手法を適用し, 人口統計, 財務, 天文学的データの解析に応用した。
この手法は、望まれる物理化学的/ADMET特性の可能性が低い化合物の迅速な拒絶を可能にするため、医薬化学者にとって大きな支援となる。
論文 参考訳（メタデータ） (2022-07-21T13:29:26Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z)
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。