論文の概要: Logos: An evolvable reasoning engine for rational molecular design

• arxiv url: http://arxiv.org/abs/2603.09268v1
• Date: Tue, 10 Mar 2026 06:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.109301
• Title: Logos: An evolvable reasoning engine for rational molecular design
• Title（参考訳）: Logos: 合理的分子設計のための進化可能な推論エンジン
• Authors: Haibin Wen, Zhe Zhao, Fanfu Wang, Tianyi Xu, Hao Zhang, Chao Yang, Ye Wei,
• Abstract要約: 我々は、多段階の論理的推論と厳密な化学的整合性を統合する、コンパクトな分子推論モデルであるLogosを提案する。 複数のベンチマークデータセットにまたがって、Logosは構造的精度と化学的妥当性の両方において高いパフォーマンスを達成する。 Logosは、生成された各構造の基礎となる設計ロジックの人間による検査と評価を可能にする。
• 参考スコア（独自算出の注目度）: 18.041008766322346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery and design of functional molecules remain central challenges across chemistry,biology, and materials science. While recent advances in machine learning have accelerated molecular property prediction and candidate generation, existing models tend to excel either in physical fidelity without transparent reasoning, or in flexible reasoning without guarantees of chemical validity. This imbalance limits the reliability of artificial intelligence systems in real scientific design workflows.Here we present Logos, a compact molecular reasoning model that integrates multi-step logical reasoning with strict chemical consistency. Logos is trained using a staged strategy that first exposes the model to explicit reasoning examples linking molecular descriptions to structural decisions, and then progressively aligns these reasoning patterns with molecular representations. In a final training phase, chemical rules and invariants are incorporated directly into the optimization objective, guiding the model toward chemically valid outputs. Across multiple benchmark datasets, Logos achieves strong performance in both structural accuracy and chemical validity, matching or surpassing substantially larger general-purpose language models while operating with a fraction of their parameters. Beyond benchmark evaluation, the model exhibits stable behaviour in molecular optimization tasks involving multiple, potentially conflicting constraints. By explicitly exposing intermediate reasoning steps, Logos enables human inspection and assessment of the design logic underlying each generated structure. These results indicate that jointly optimizing for reasoning structure and physical consistency offers a practical pathway toward reliable and interpretable AI systems for molecular science, supporting closer integration of artificial intelligence into scientific discovery processes.
• Abstract（参考訳）: 機能性分子の発見と設計は、化学、生物学、材料科学における中心的な課題のままである。 機械学習の最近の進歩は、分子特性予測と候補生成を加速しているが、既存のモデルは、透明な推論なしで物理的忠実度、または化学的妥当性を保証せずに柔軟な推論で優れている傾向にある。 この不均衡は、実科学設計ワークフローにおける人工知能システムの信頼性を制限し、我々は、多段階論理推論と厳密な化学的整合性を統合するコンパクトな分子推論モデルであるLogosを提示する。 ログは、まず、分子記述と構造決定をリンクする明確な推論例にモデルを公開し、その後、これらの推論パターンを分子表現と漸進的に整合させる段階的な戦略を用いて訓練される。 最終訓練段階では、化学規則と不変量は最適化目標に直接組み込まれ、そのモデルが化学的に有効な出力へと導かれる。 複数のベンチマークデータセットを通して、Logosは構造的精度と化学的妥当性の両方において、パラメータのごく一部で操作しながら、かなり大きな汎用言語モデルにマッチまたは超えるパフォーマンスを達成する。 ベンチマーク評価以外にも、このモデルは複数の、潜在的に矛盾する制約を含む分子最適化タスクにおいて安定した振る舞いを示す。 中間推論ステップを明示的に明示することにより、Logosは、生成された各構造の基礎となる設計ロジックの人間による検査と評価を可能にする。 これらの結果は、推論構造と物理的整合性を共同で最適化することは、分子科学のための信頼性と解釈可能なAIシステムへの実践的な経路を提供し、人工知能の科学的発見プロセスへの緊密な統合を支援することを示唆している。

関連論文リスト

• Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
  ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。 この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-01-25T04:23:34Z)
• ChemNavigator: Agentic AI Discovery of Design Rules for Organic Photocatalysts [0.0]
  ChemNavigatorは、自律的に構造-プロパティ関係を導出するエージェントAIシステムである。 ケムナビゲーターは、フロンティア軌道エネルギーを管理する6つの統計的に重要な設計規則を自律的に特定した。
  論文  参考訳（メタデータ） (2026-01-23T07:44:28Z)
• 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)
• Reasoning-Enhanced Large Language Models for Molecular Property Prediction [19.593493317167646]
  分子特性予測は、薬物発見と物質科学にとって不可欠である。 既存のアプローチは、限定的な解釈可能性、クロスタスクの一般化の貧弱、化学的推論能力の欠如に悩まされている。 分子特性予測に化学推論を組み込んだ多モーダル大言語モデルMPPReasonerを提案する。
  論文  参考訳（メタデータ） (2025-10-11T15:05:45Z)
• $\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
  分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。 実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-12T05:46:47Z)
• MolReasoner: Toward Effective and Interpretable Reasoning for Molecular LLMs [30.030008221150407]
  MolReasonerは、大規模言語モデルを記憶から化学推論に移行するために設計された2段階のフレームワークである。 まず,GPT-4o で生成した合成Chain-of-Thought(CoT) サンプルを用いてモデルの推論能力を初期化し,化学的精度を検証した Mol-SFT を提案する。 その後、Moll-RLは、化学構造と言語的記述との整合性を明確に設計した特殊報酬関数による強化学習を適用した。
  論文  参考訳（メタデータ） (2025-08-04T05:10:11Z)
• MolMiner: Towards Controllable, 3D-Aware, Fragment-Based Molecular Design [7.366789601705544]
  MolMinerは、分子設計のための断片的、幾何学的、秩序に依存しない自己回帰モデルである。 MolMinerは12個以上の性質を持つ分子の条件生成をサポートし、物理化学的および構造的標的に対して柔軟な制御を可能にする。
  論文  参考訳（メタデータ） (2024-11-10T22:00:55Z)
• GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
  既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。 種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)

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。