Fugu-MT 論文翻訳(概要): Catalyst-Agent: Autonomous heterogeneous catalyst screening and optimization with an LLM Agent

論文の概要: Catalyst-Agent: Autonomous heterogeneous catalyst screening and optimization with an LLM Agent

arxiv url: http://arxiv.org/abs/2603.01311v1
Date: Sun, 01 Mar 2026 22:44:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.621809
Title: Catalyst-Agent: Autonomous heterogeneous catalyst screening and optimization with an LLM Agent
Title（参考訳）: 触媒-エージェント:LLMエージェントによる自己不均一触媒スクリーニングと最適化
Authors: Achuth Chandrasekhar, Janghoon Ock, Amir Barati Farimani,
Abstract要約: 本稿では,サーバベースのLLMAIエージェントであるCatalyst-Agentを紹介する。 OPTIMADE APIを使って巨大なマテリアルデータベースを探索できる。 Catalyst-Agentは、選択して評価するすべての材料のうち、23～34%の成功率を達成する。
参考スコア（独自算出の注目度）: 10.596902977676807
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The discovery of novel catalysts tailored for particular applications is a major challenge for the twenty-first century. Traditional methods for this include time-consuming and expensive experimental trial-and-error approaches in labs based on chemical theory or heavily computational first-principles approaches based on density functional theory. Recent studies show that deep learning models like graph neural networks (GNNs) can significantly speed up the screening and discovery of catalyst materials by many orders of magnitude, with very high accuracy and fidelity. In this work, we introduce Catalyst-Agent, a Model Context Protocol (MCP) server-based, LLM-powered AI agent. It can explore vast material databases using the OPTIMADE API, make structural modifications, calculate adsorption energies using Meta FAIRchem's UMA (GNN) model via FAIRchem's AdsorbML workflow and slab construction, and make useful material suggestions to the researcher in a closed-loop manner, including surface-level modifications to refine near-miss candidates. It is tested on three pivotal reactions: the oxygen reduction reaction (ORR), the nitrogen reduction reaction (NRR), and the CO2 reduction reaction (CO2RR). Catalyst-Agent achieves a success rate of 23-34 percent among all the materials it chooses and evaluates, and manages to converge in 1-2 trials per successful material on average. This work demonstrates the potential of AI agents to exercise their planning capabilities and tool use to operationalize the catalyst screening workflow, provide useful, testable hypotheses, and accelerate future scientific discoveries for humanity with minimal human intervention.
Abstract（参考訳）: 特定の用途に適した新規触媒の発見は、21世紀の大きな課題である。従来の手法としては、化学理論に基づく実験室での時間と費用のかかる試行錯誤法、密度汎関数理論に基づく計算第一原理法などがある。近年の研究では、グラフニューラルネットワーク(GNN)のようなディープラーニングモデルによって、触媒材料のスクリーニングと発見を、非常に高い精度と忠実さで大幅に高速化することができることが示されている。本稿では,モデルコンテキストプロトコル(MCP)サーバベースのLLMAIエージェントであるCatalyst-Agentを紹介する。 OPTIMADE APIを使用して巨大な材料データベースを探索し、構造的な修正を行い、Meta FAIRchemのUMA(GNN)モデルを用いてFAIRchemのAdsorbMLワークフローとスラブ構築を用いて吸着エネルギーを計算し、表面レベルの修正を含むクローズループ方式で研究者に有用な材料提案を行う。酸素還元反応(ORR)、窒素還元反応(NRR)、CO2還元反応(CO2RR)の3つの主要な反応で試験される。 Catalyst-Agentは、選択して評価するすべての材料のうち、23～34%の成功率を獲得し、平均的な成功材料毎の1～2回の試験に収束する。この研究は、AIエージェントが計画能力とツールを使い、触媒スクリーニングワークフローを運用し、有用でテスト可能な仮説を提供し、人間の介入を最小限に抑えて将来の科学的発見を加速する可能性を実証している。

関連論文リスト

AgentCAT: An LLM Agent for Extracting and Analyzing Catalytic Reaction Data from Chemical Engineering Literature [55.66036140125613]
本稿では,化学工学論文から触媒反応データを抽出し,解析する大規模言語モデル (LLM) エージェントであるAgentCATを提案する。 AgentCATは、化学工学分野における長年のデータボトルネックを克服する代替手段として機能する。
論文参考訳（メタデータ） (2026-02-10T04:30:11Z)
ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
論文参考訳（メタデータ） (2025-06-30T05:11:19Z)
Generative Language Model for Catalyst Discovery [0.0]
化学空間から無機触媒構造の文字列表現を生成するために訓練されたCatalyst Generative Pretrained Transformer (CatGPT)を導入する。 CatGPTは有効かつ正確な触媒構造を生成する上で高い性能を示すだけでなく、所望の触媒の種類を生成するための基礎モデルとしても機能する。
論文参考訳（メタデータ） (2024-07-19T05:34:08Z)
A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery [10.92613600218535]
各種成分の触媒収率を正確に分類するために,堅牢な機械学習と説明可能なAI(XAI)フレームワークを導入する。このフレームワークは、触媒データの不足と不均衡を処理するために設計された一連のMLプラクティスを組み合わせる。このような知見は, 新規触媒の開発・同定において, 優れた性能を有する化学者を支援することができると信じている。
論文参考訳（メタデータ） (2024-07-10T13:09:53Z)
Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts [10.839705761909709]
本研究では, 複雑な多金属触媒の発見と最適化を効率化する, 新たな多段階機械学習手法を提案する。本手法は,材料発見プロセスを通じて,データマイニング,アクティブラーニング,ドメイン適応を統合している。
論文参考訳（メタデータ） (2024-07-05T22:14:55Z)
ChemReasoner: Heuristic Search over a Large Language Model's Knowledge Space using Quantum-Chemical Feedback [37.06094829713273]
新しい触媒の発見は、新しいより効率的な化学プロセスの設計に不可欠である。量子化学に基づく3次元原子論表現からのフィードバックで言語推論を統一するAI誘導型計算スクリーニングフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-15T21:33:07Z)
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)
Catalysis distillation neural network for the few shot open catalyst challenge [1.1878820609988694]
本稿では,機械学習の反応予測への応用を推し進めるコンペであるFew-Shot Open Catalyst Challenge 2023を紹介する。触媒蒸留グラフニューラルネットワーク(CDGNN)というフレームワークを用いた機械学習手法を提案する。その結果,CDGNNは触媒構造からの埋め込みを効果的に学習し,構造吸着関係の捕捉を可能にした。
論文参考訳（メタデータ） (2023-05-31T04:23:56Z)
PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design [102.9593507372373]
触媒材料は産業プロセスに関わる電気化学反応において重要な役割を担っている。機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度の両立を図っている。
論文参考訳（メタデータ） (2022-11-22T05:24:30Z)
Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文参考訳（メタデータ） (2022-09-15T13:52:15Z)
Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文参考訳（メタデータ） (2022-02-13T04:56:18Z)

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。