Fugu-MT 論文翻訳(概要): Towards Mass Spectrum Analysis with ASP

論文の概要: Towards Mass Spectrum Analysis with ASP

arxiv url: http://arxiv.org/abs/2512.16780v1
Date: Thu, 18 Dec 2025 17:13:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-19 18:10:32.179192
Title: Towards Mass Spectrum Analysis with ASP
Title（参考訳）: ASP.NETでのマススペクトル分析に向けて
Authors: Nils Küchenmeister, Alex Ivliev, Markus Krötzsch,
Abstract要約: 本稿では, 化学サンプルの分子構造を発見するために, ASP (Answer Set Programming) の新たな利用法を提案する。分子構造の標準表現とこれらの定義を用いたASPインプレメンテーションを開発する。
参考スコア（独自算出の注目度）: 2.4775353203585797
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a new use of Answer Set Programming (ASP) to discover the molecular structure of chemical samples based on the relative abundance of elements and structural fragments, as measured in mass spectrometry. To constrain the exponential search space for this combinatorial problem, we develop canonical representations of molecular structures and an ASP implemen- tation that uses these definitions. We evaluate the correctness of our implementation over a large set of known molecular structures, and we compare its quality and performance to other ASP symmetry-breaking methods and to a commercial tool from analytical chemistry. Under consideration in Theory and Practice of Logic Programming (TPLP).
Abstract（参考訳）: 本稿では, 化学試料の分子構造を質量分析法で測定した元素および構造断片の相対的存在量に基づいて検出するために, ASP (Answer Set Programming) の新たな利用法を提案する。この組合せ問題に対する指数探索空間を制約するために、分子構造の標準表現とこれらの定義を用いたASP命令を開発する。我々は、既知の分子構造の集合に対する実装の正しさを評価し、その品質と性能を他のASP対称性破砕法や分析化学による商用ツールと比較する。論理プログラミングの理論と実践(TPLP)

関連論文リスト

Mamba-driven multi-perspective structural understanding for molecular ground-state conformation prediction [69.32436472760712]
本稿では,マンバ駆動型多面的構造理解(MPSU-Mamba)による分子基底状態の局在化手法を提案する。複雑で多様な分子に対しては、対応する分子構造の包括的認識を構築するために、3種類の専用の走査戦略が検討されている。 QM9 と Molecule3D データセットの実験結果から,MPSU-Mamba が既存の手法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2025-11-10T11:18:32Z)
Language Models Can Understand Spectra: A Multimodal Model for Molecular Structure Elucidation [9.987376780022345]
マルチモーダル分光関節推論をサポートするために設計された,最初の大規模言語モデルであるSpectraLLMを提案する。連続的および離散的な分光モジュラリティを共有意味空間に統合することにより、SpectraLLMはスペクトル間で一貫性があり相補的な構造パターンを明らかにすることを学ぶ。我々は、小分子領域におけるSpectraLLMの事前学習と微調整を行い、6つの標準化された公開化学データセットで評価する。
論文参考訳（メタデータ） (2025-08-04T13:33:38Z)
DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
論文参考訳（メタデータ） (2025-07-09T13:57:20Z)
Boosting LLM's Molecular Structure Elucidation with Knowledge Enhanced Tree Search Reasoning [35.02138874108029]
大規模言語モデル(LLM)は、複雑なタスクの分析と推論において、顕著な習熟度を示している。我々はモンテカルロ木探索をプラグインとしてテスト時間スケーリングに活用した分子構造解明のための知識強化推論フレームワーク(K-MSE)を紹介した。その結果, GPT-4o-mini と GPT-4o の両方で20%以上の改善が得られた。
論文参考訳（メタデータ） (2025-06-29T02:00:38Z)
Benchmarking Multimodal LLMs on Recognition and Understanding over Chemical Tables [48.39080455781475]
ChemTable(チェムタブル、英: ChemTable)は、実験的な論文から得られた実世界の化学表の大規模なベンチマークである。 ChemTableには、専門家によるアノテートされたセルポリゴン、論理レイアウト、試薬、触媒、収率、グラフィカルコンポーネントを含むドメイン固有のラベルが含まれている。我々は、ChemTable上で、オープンソースモデルとクローズドソースモデルの両方を含む様々な代表的マルチモーダルモデルを評価し、実践的および概念的洞察を伴う一連の知見を報告した。
論文参考訳（メタデータ） (2025-06-13T00:45:41Z)
MT-Mol:Multi Agent System with Tool-based Reasoning for Molecular Optimization [13.94416046565452]
大規模言語モデル(LLM)を用いた分子最適化のためのマルチエージェントフレームワークMT-Molを紹介する。本システムには, 構造記述子, 電子的およびトポロジ的特徴, フラグメントベース機能群, 分子的表現, 諸化学的性質の5つの異なる領域に分類された総合RDKitツールが組み込まれている。 MT-Molは、分析エージェント、分子生成科学者、推論出力検証器、レビュアーエージェントとの相互作用を通じて、ツール整列および段階的に推論された分子を生成する。
論文参考訳（メタデータ） (2025-05-27T07:27:30Z)
DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
論文参考訳（メタデータ） (2025-02-13T18:29:48Z)
Structural Reasoning Improves Molecular Understanding of LLM [18.532188836688928]
大規模言語モデル (LLM) は分子構造情報を用いた推論に依然として苦戦していることを示す。本稿では,分子構造を推論のためにスケッチする手法を提案する。対象分子が未知あるいは未知のシナリオのための2つのフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-08T01:49:48Z)
Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
論文参考訳（メタデータ） (2023-11-17T20:34:28Z)
Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文参考訳（メタデータ） (2023-06-08T17:12:08Z)
Semi-Supervised GCN for learning Molecular Structure-Activity Relationships [4.468952886990851]
そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
論文参考訳（メタデータ） (2022-01-25T09:09:43Z)

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。