論文の概要: A chemical language model for reticular materials design

• arxiv url: http://arxiv.org/abs/2603.20389v1
• Date: Fri, 20 Mar 2026 18:05:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.880294
• Title: A chemical language model for reticular materials design
• Title（参考訳）: 材料設計のための化学言語モデル
• Authors: Dhruv Menon, Vivek Singh, Xu Chen, Mohammad Reza Alizadeh Kiapi, Ivan Zyuzin, Hamish W. Macleod, Nakul Rampal, William Shepard, Omar M. Yaghi, David Fairen-Jimenez,
• Abstract要約: 直交化学における逆設計を可能にするブロック型化学言語モデルであるNexerra-R1を導入する。 完全なフレームワークを直接生成するのではなく、Nexerra-R1は分子構築ブロックのレベルで機能する。 そこで本研究では,サイリコで生成した未報告フレームワークCU-525の実験合成を提案する。
• 参考スコア（独自算出の注目度）: 5.537334577890515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reticular chemistry has enabled the synthesis of tens of thousands of metal-organic frameworks (MOFs), yet the discovery of new materials still relies largely on intuition-driven linker design and iterative experimentation. As a result, researchers explore only a small fraction of the vast chemical space accessible to reticular materials, limiting the systematic discovery of frameworks with targeted properties. Here, we introduce Nexerra-R1, a building-block chemical language model that enables inverse design in reticular chemistry through the targeted generation of organic linkers. Rather than generating complete frameworks directly, Nexerra-R1 operates at the level of molecular building blocks, preserving the modular logic that underpins reticular synthesis. The model supports both unconstrained generation of low-connectivity linkers and scaffold-constrained design of symmetric multidentate motifs compatible with predefined nodes and topologies. We further combine linker generation with flow-guided distributional targeting to steer the generative process toward application-relevant objectives while maintaining chemical validity and assembly feasibility. The generated linkers are subsequently assembled into three-dimensional frameworks and are structurally optimized to produce candidate materials compatible with experimental synthesis. Using Nexerra-R1, we validate this strategy by rediscovering known MOFs and by proposing the experimental synthesis of a previously unreported framework, CU-525, generated entirely in silico. Together, these results establish a general inverse-design paradigm for reticular materials in which controllable chemical language modelling enables the direct translation from computational design to synthesizable frameworks.
• Abstract（参考訳）: レチキュラー化学は数万の金属-有機フレームワーク(MOF)の合成を可能にしたが、新しい素材の発見は依然として直観駆動リンカー設計と反復実験に大きく依存している。 結果として、研究者は、標的となる性質を持つフレームワークの体系的な発見を制限し、構造的な材料にアクセスできる広大な化学空間のごく一部のみを探索した。 ここでは, 有機リンカーのターゲット生成による構造化学の逆設計を可能にする, ブロック型化学言語モデルであるNexerra-R1を紹介する。 完全なフレームワークを直接生成するのではなく、Nexerra-R1は分子構築ブロックのレベルで動作し、レチキュラー合成の基盤となるモジュラー論理を保存する。 このモデルは、制約のない低接続性リンカーの生成と、予め定義されたノードやトポロジと互換性のある対称マルチデンタットモチーフの設計の両方をサポートする。 さらに,リンカ生成とフロー誘導型分布ターゲティングを組み合わせることで,生成過程を化学的妥当性と組立可能性を維持しつつ,応用関連目標に向けて推し進める。 生成したリンカーはその後3次元のフレームワークに組み立てられ、構造的に最適化され、実験合成に適合する候補材料を生成する。 Nexerra-R1を用いて、既知のMOFを再発見し、以前に報告されていないフレームワークであるCU-525をシリコで完全に生成することで、この戦略を検証する。 これらの結果は、制御可能な化学言語モデリングにより、計算設計から合成可能なフレームワークへの直接変換を可能にする。

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)
• Rethinking Molecule Synthesizability with Chain-of-Reaction [47.744071119775676]
  合成可能な投影のための生成フレームワークであるReaSynを紹介する。 大規模言語モデル(LLM)における推論経路に類似した合成経路を考慮した新しい視点を提案する。 CoR表記により、ReaSynは化学反応規則を明示的に学習する全ての反応ステップにおいて、密集した監督を受けることができる。
  論文  参考訳（メタデータ） (2025-09-19T15:29:57Z)
• The Rise of Generative AI for Metal-Organic Framework Design and Synthesis [11.906896137135897]
  生成人工知能の進歩は、金属-有機フレームワーク(MOF)の設計と発見の仕方を変えつつある。 このパースペクティブは、MOF候補の厳格な列挙から、オンデマンドで新しい多孔質構造体を自律的に提案、合成できる生成的アプローチへの移行を導入する。
  論文  参考訳（メタデータ） (2025-08-15T21:49:17Z)
• SynLlama: Generating Synthesizable Molecules and Their Analogs with Large Language Models [3.750173223006525]
  我々はSynLlamaを作成するために,MetaのLlama3 Large Language Modelsを微調整した新しいアプローチを提案する。 SynLlamaは、一般的にアクセス可能なビルディングブロックと堅牢な有機反応テンプレートからなる完全な合成経路を生成する。 外部のビルディングブロックをトレーニングしなくても、SynLlamaが効果的に一般化され、見つからず、購入可能なビルディングブロックとなることが分かりました。
  論文  参考訳（メタデータ） (2025-03-16T18:30:56Z)
• Generative Artificial Intelligence for Navigating Synthesizable Chemical Space [25.65907958071386]
  合成可能な化学空間を効率的に探索・ナビゲートするための生成モデリングフレームワークであるSynFormerを紹介する。 拡張性のあるトランスフォーマーアーキテクチャとブロック選択のための拡散モジュールを組み込むことで、SynFormerは合成可能な分子設計において既存のモデルを超えている。
  論文  参考訳（メタデータ） (2024-10-04T15:09:05Z)
• 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)
• Bridging the Gap between Chemical Reaction Pretraining and Conditional Molecule Generation with a Unified Model [3.3031562864527664]
  反応表現学習と分子生成の両課題に対処する統合フレームワークを提案する。 有機化学機構にインスパイアされた我々は,モデルに誘導バイアスを組み込むことのできる,新しい事前学習フレームワークを開発した。 我々のフレームワークは、ダウンストリームタスクに挑戦する上で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-03-13T10:06:41Z)
• 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)
• Amortized Tree Generation for Bottom-up Synthesis Planning and Synthesizable Molecular Design [2.17167311150369]
  ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。 提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
  論文  参考訳（メタデータ） (2021-10-12T22:43:25Z)

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。