論文の概要: Life cycle assessment for all organic chemicals
- arxiv url: http://arxiv.org/abs/2603.15686v1
- Date: Sun, 15 Mar 2026 15:53:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:06.884942
- Title: Life cycle assessment for all organic chemicals
- Title（参考訳）: 全有機化合物のライフサイクルアセスメント
- Abstract要約: 本稿ではCRYSTAL(Chemical RetrosYnthesiS for Transparent Assessment of Life-cycles)フレームワークについて紹介する。
CRYSTALは、その分子構造に基づいて、有機化学の一貫性と透明なLCIデータを自動的に生成する。
我々は70000以上の有機化学物質を一貫したデータベースを作成し、110000以上の透明なLCIデータセットで構成されています。
- 参考スコア（独自算出の注目度）: 0.4104352271917983
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Chemicals are embedded in nearly every aspect of modern society, yet their production poses substantial sustainability concerns. Achieving a sustainable chemical industry requires detailed Life Cycle Assessment (LCA); however, current assessments face many unknowns due to limited, partly inconsistent, and untransparent data coverage since existing Life Cycle Inventory (LCI) databases account for only a tiny fraction of traded chemicals. Here, we introduce the Chemical RetrosYnthesiS for Transparent Assessment of Life-cycles (CRYSTAL) framework, which automatically generates consistent and transparent LCI data for organic chemicals based on their molecular structure using retrosynthesis and machine-learned gate-to-gate inventories. Using the predictive power of CRYSTAL, we create a consistent database for more than 70000 organic chemicals, comprising over 110000 transparent LCI datasets that quantify both feedstock and energy demands, together with associated auxiliary materials, biosphere flows, and waste flows. From this comprehensive database, we identify 50 key environmental hotspots driving high impacts of organic chemical production across multiple environmental categories and pivotal hub chemicals that are most critical for downstream chemical production. In providing this comprehensive data foundation, the CRYSTAL framework offers systematic guidance for targeted engineering and policy interventions. Its transparent, modular nature is designed to shift chemical LCA from a reliance on "unknown unknowns" to a collaboratively improvable mapping of "known unknowns".
- Abstract（参考訳）: 化学は現代の社会のほぼ全ての側面に埋め込まれているが、その生産は相当な持続可能性の懸念を生じさせる。
持続可能な化学産業を実現するためには、詳細なライフサイクルアセスメント(LCA)が必要であるが、既存のライフサイクルインベントリ(LCI)データベースがわずかしか取引されていないため、現在のアセスメントは限定的、部分的には一貫性がなく、不透明なデータカバレッジのため、多くの未知に直面する。
本稿では, 分子構造に基づく有機化学用LCIデータを自動生成するCRYSTAL(Chemical RetrosYnthesiS for Transparent Assessment of Life-cycles)フレームワークを紹介する。
CRYSTALの予測力を利用して70000以上の有機化学物質を一貫したデータベースを作成し、食料とエネルギーの需要の両方を定量化する110000以上の透過的なLCIデータセットと、関連する補助物質、バイオスフィアフロー、廃棄物の流れを含む。
この包括的データベースから, 下流の化学生産において最も重要となる, 有機化学生産の影響が大きい50の重要環境ホットスポットを同定した。
この包括的なデータ基盤を提供するにあたって、CRYSTALフレームワークは、ターゲットとするエンジニアリングとポリシーの介入に関する体系的なガイダンスを提供する。
その透明でモジュラーな性質は、化学LCAを「未知の未知」への依存から「未知の未知」の協調的に即効的なマッピングに移行するように設計されている。
関連論文リスト
- From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。
OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。
ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-20T18:58:43Z) - Sustainable Materials Discovery in the Era of Artificial Intelligence [3.222363676081407]
本稿では,上流機械学習(ML)支援材料発見と下流ライフサイクルアセスメントを一様ML-LCA環境に統合することを提案する。
ML-LCAフレームワークは、材料環境知識ベースを構築するための情報抽出、サステナビリティメトリクスにプロパティをリンクする調和データベース、原子特性をライフサイクルへの影響にブリッジするマルチスケールモデル、不確実な定量化を伴う製造経路のアンサンブル予測、不確実性を考慮した最適化の5つのコンポーネントを統合する。
論文 参考訳（メタデータ） (2026-01-29T10:42:44Z) - Atom-anchored LLMs speak Chemistry: A Retrosynthesis Demonstration [2.9496795797433073]
汎用大言語モデルを用いた分子推論のためのフレームワークを提案する。
本手法は, ユニークな原子識別子を用いて分子構造に対するチェーン・オブ・シント推論をアンカーする。
我々の研究は、理論的に基底付けられた合成データセットを生成する方法も提供する。
論文 参考訳（メタデータ） (2025-10-18T17:27:44Z) - ChemOrch: Empowering LLMs with Chemical Intelligence via Synthetic Instructions [52.79349601462865]
ChemOrchは化学的に接地した命令応答対を合成するフレームワークである。
ChemOrchは、生成したタスクに対して、制御可能な多様性と難易度を実現する。
論文 参考訳（メタデータ） (2025-09-20T05:43:58Z) - A Multi-Agent System Enables Versatile Information Extraction from the Chemical Literature [8.306442315850878]
我々は,堅牢かつ自動化された化学情報抽出のためのマルチモーダル大規模言語モデル (MLLM) ベースのマルチエージェントシステムを開発した。
文献から得られた高精細なマルチモーダル化学反応画像のベンチマークデータセットにおいて,本システムは80.8%のF1スコアを達成した。
論文 参考訳（メタデータ） (2025-07-27T11:16:57Z) - 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) - Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。
このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。
本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
論文 参考訳（メタデータ） (2025-02-26T13:13:24Z) - BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。
我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。
この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文 参考訳（メタデータ） (2024-08-19T05:17:40Z) - ScholarChemQA: Unveiling the Power of Language Models in Chemical Research Question Answering [54.80411755871931]
質問回答(QA)は、言語モデルの推論と知識の深さを効果的に評価する。
化学QAは、複雑な化学情報を理解しやすい形式に効果的に翻訳することで、教育と研究の両方において重要な役割を担っている。
このデータセットは、不均衡なデータ分散や、潜在的に有用である可能性のあるかなりの量の未ラベルデータを含む、典型的な現実世界の課題を反映している。
収集したデータを完全に活用して,化学的な問題に効果的に答えるQAMatchモデルを提案する。
論文 参考訳（メタデータ） (2024-07-24T01:46:55Z)
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。