論文の概要: PolyAgent: Large Language Model Agent for Polymer Design

• arxiv url: http://arxiv.org/abs/2601.16376v1
• Date: Fri, 23 Jan 2026 00:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.492895
• Title: PolyAgent: Large Language Model Agent for Polymer Design
• Title（参考訳）: PolyAgent: 高分子設計のための大規模言語モデルエージェント
• Authors: Vani Nigam, Achuth Chandrasekhar, Amir Barati Farimani,
• Abstract要約: 初期高分子発見のための端末に, 閉ループ型高分子構造予測器を組み込んだ。 このフレームワークは、プロパティ予測、プロパティ誘導ポリマー構造生成、構造修正機能を提供するためにLLM推論を利用する。
• 参考スコア（独自算出の注目度）: 10.596902977676807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: On-demand Polymer discovery is essential for various industries, ranging from biomedical to reinforcement materials. Experiments with polymers have a long trial-and-error process, leading to long procedures and extensive resources. For these processes, machine learning has accelerated scientific discovery at the property prediction and latent space search fronts. However, laboratory researchers cannot readily access codes and these models to extract individual structures and properties due to infrastructure limitations. We present a closed-loop polymer structure-property predictor integrated in a terminal for early-stage polymer discovery. The framework is powered by LLM reasoning to provide users with property prediction, property-guided polymer structure generation, and structure modification capabilities. The SMILES sequences are guided by the synthetic accessibility score and the synthetic complexity score (SC Score) to ensure that polymer generation is as close as possible to synthetically accessible monomer-level structures. This framework addresses the challenge of generating novel polymer structures for laboratory researchers, thereby providing computational insights into polymer research.
• Abstract（参考訳）: オンデマンド高分子発見は、バイオメディカルから強化材料まで、様々な産業にとって不可欠である。 ポリマーを用いた実験は、長い試行錯誤プロセスを持ち、長い手順と豊富な資源をもたらす。 これらのプロセスのために、機械学習はプロパティ予測と潜在宇宙探索の分野で科学的な発見を加速させた。 しかし、実験室の研究者は、インフラの制約により個々の構造や特性を抽出するために、コードやそれらのモデルに容易にアクセスできない。 初期高分子発見のための端末に, 閉ループ型高分子構造予測器を組み込んだ。 このフレームワークは、プロパティ予測、プロパティ誘導ポリマー構造生成、構造修正機能を提供するLLM推論によって実現されている。 SMILES配列は、合成アクセシビリティスコアと合成複雑性スコア(SC Score)によって誘導され、ポリマー生成が合成可能なモノマーレベルの構造に可能な限り近いことを保証する。 この枠組みは、実験室の研究者にとって新しいポリマー構造を生成するという課題に対処し、ポリマー研究に関する計算的な洞察を提供する。

関連論文リスト

• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• ToPolyAgent: AI Agents for Coarse-Grained Topological Polymer Simulations [0.0]
  ToPolyAgentは、トポロジカルポリマーの分子動力学シミュレーションを実行するためのマルチエージェントAIフレームワークである。 多様なポリマーアーキテクチャをまたいだインタラクティブなシミュレーションと自律的なシミュレーションの両方をサポートする。 自律的でマルチエージェントな科学研究エコシステムの基礎を築いている。
  論文  参考訳（メタデータ） (2025-10-14T02:54:19Z)
• 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)
• 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)
• 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)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• Polymer Informatics: Current Status and Critical Next Steps [1.3238373064156097]
  サロゲートモデルは、インスタントプロパティ予測のために利用可能なポリマーデータに基づいて訓練される。 データ駆動型戦略は, 高分子の化学的, 物理的多様性から生じる特異な課題に, 小規模かつ大規模に対処するものである。 アプリケーションターゲットを満たす高度なAIアルゴリズムを用いて, 高分子レコメンデーションを行う逆問題の解法について検討している。
  論文  参考訳（メタデータ） (2020-11-01T14:17:22Z)

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。