論文の概要: MolEvolve: LLM-Guided Evolutionary Search for Interpretable Molecular Optimization

• arxiv url: http://arxiv.org/abs/2603.24382v1
• Date: Wed, 25 Mar 2026 15:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.346767
• Title: MolEvolve: LLM-Guided Evolutionary Search for Interpretable Molecular Optimization
• Title（参考訳）: MolEvolve: 解釈可能な分子最適化のためのLLM誘導進化探索
• Authors: Xiangsen Chen, Ruilong Wu, Yanyan Lan, Ting Ma, Yang Liu,
• Abstract要約: MolEvolveは、分子発見を自律的で先進的な計画問題として再構築する進化的フレームワークである。 我々は,Morevolveの自律探索が透明で可読な化学的洞察を進化させるだけでなく,特性予測と分子最適化の両タスクにおいて,ベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.187064406506977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite deep learning's success in chemistry, its impact is hindered by a lack of interpretability and an inability to resolve activity cliffs, where minor structural nuances trigger drastic property shifts. Current representation learning, bound by the similarity principle, often fails to capture these structural-activity discontinuities. To address this, we introduce MolEvolve, an evolutionary framework that reformulates molecular discovery as an autonomous, look-ahead planning problem. Unlike traditional methods that depend on human-engineered features or rigid prior knowledge, MolEvolve leverages a Large Language Model (LLM) to actively explore and evolve a library of executable chemical symbolic operations. By utilizing the LLM to cold start and an Monte Carlo Tree Search (MCTS) engine for test-time planning with external tools (e.g. RDKit), the system self-discovers optimal trajectories autonomously. This process evolves transparent reasoning chains that translate complex structural transformations into actionable, human-readable chemical insights. Experimental results demonstrate that MolEvolve's autonomous search not only evolves transparent, human-readable chemical insights, but also outperforms baselines in both property prediction and molecule optimization tasks.
• Abstract（参考訳）: 化学における深層学習の成功にもかかわらず、その影響は解釈可能性の欠如と、小さな構造的なニュアンスが急激な性質の変化を引き起こす活動の崖を解決できないことによって妨げられている。 現在の表現学習は、類似性の原理に縛られ、しばしばこれらの構造的活動的不連続性を捉えることに失敗する。 この問題を解決するために、分子発見を自律的で見事な計画問題として再構築する進化的枠組みであるMoleEvolveを紹介します。 人間工学的な特徴や厳格な事前知識に依存する従来の手法とは異なり、MorevolveはLLM(Large Language Model)を活用して、実行可能な化学記号操作のライブラリを積極的に探索し進化させる。 LLMをコールドスタートに利用し、外部ツール(RDKitなど)によるテストタイムプランニングにMCTS(Monte Carlo Tree Search)エンジンを使用することで、システムは最適な軌道を自律的に発見する。 このプロセスは透明な推論連鎖を進化させ、複雑な構造変換を実行可能な、人間可読な化学的洞察に翻訳する。 実験の結果、Morevolveの自律探索は透明で可読な化学的洞察を進化させるだけでなく、特性予測と分子最適化の両タスクにおいてベースラインを上回ります。

関連論文リスト

• Logos: An evolvable reasoning engine for rational molecular design [18.041008766322346]
  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。
  論文  参考訳（メタデータ） (2026-03-10T06:56:35Z)
• 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)
• 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)
• MolTRES: Improving Chemical Language Representation Learning for Molecular Property Prediction [14.353313239109337]
  MolTRESは化学言語表現学習フレームワークである。 ジェネレータと識別器のトレーニングが組み込まれており、より難しい例からモデルを学習することができる。 我々のモデルは、一般的な分子特性予測タスクにおける既存の最先端モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-07-09T01:14:28Z)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)
• Empowering Molecule Discovery for Molecule-Caption Translation with Large Language Models: A ChatGPT Perspective [53.300288393173204]
  大規模言語モデル(LLM)は、様々なクロスモーダルタスクにおいて顕著なパフォーマンスを示している。 本研究では,分子カプセル翻訳のためのインコンテキストFew-Shot Molecule Learningパラダイムを提案する。 分子理解とテキストベースの分子生成を含む分子キャプション翻訳におけるMollReGPTの有効性を評価する。
  論文  参考訳（メタデータ） (2023-06-11T08:16:25Z)
• 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)

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。