論文の概要: PolyJarvis: LLM Agent for Autonomous Polymer MD Simulations
- arxiv url: http://arxiv.org/abs/2604.02537v1
- Date: Thu, 02 Apr 2026 21:43:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.217849
- Title: PolyJarvis: LLM Agent for Autonomous Polymer MD Simulations
- Title（参考訳）: PolyJarvis: LLM Agent for autonomous Polymer MD Simulations
- Abstract要約: 我々は,大規模な言語モデル(LLM)とRadonPyシミュレーションプラットフォームを結合するエージェントであるPolyJarvisを紹介する。
ポリマー名またはSMILES文字列が与えられた後、PolyJarvisはモノマーの構築、電荷割り当て、重合、力場パラメータ化、特性計算を自律的に実行する。
その結果, APS, PMMAの基準値の17～24%は0.1～4.8%, バルク変調率で, 密度予測は17～24%であった。
- 参考スコア（独自算出の注目度）: 49.024137619510526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: All-atom molecular dynamics (MD) simulations can predict polymer properties from molecular structure, yet their execution requires specialized expertise in force field selection, system construction, equilibration, and property extraction. We present PolyJarvis, an agent that couples a large language model (LLM) with the RadonPy simulation platform through Model Context Protocol (MCP) servers, enabling end-to-end polymer property prediction from natural language input. Given a polymer name or SMILES string, PolyJarvis autonomously executes monomer construction, charge assignment, polymerization, force field parameterization, GPU-accelerated equilibration, and property calculation. Validation is conducted on polyethylene (PE), atactic polystyrene (aPS), poly(methyl methacrylate) (PMMA), and poly(ethylene glycol) (PEG). Results show density predictions within 0.1--4.8% and bulk moduli within 17--24% of reference values for aPS and PMMA. PMMA glass transition temperature (Tg) (395~K) matches experiment within +10--18~K, while the remaining three polymers overestimate Tg by +38 to +47K (vs upper experimental bounds). Of the 8 property--polymer combinations with directly comparable experimental references, 5 meet strict acceptance criteria. For cases lacking suitable amorphous-phase experimental, agreement with prior MD literature is reported separately. The remaining Tg failures are attributable primarily to the intrinsic MD cooling-rate bias rather than agent error. This work demonstrates that LLM-driven agents can autonomously execute polymer MD workflows producing results consistent with expert-run simulations.
- Abstract（参考訳）: 全原子分子動力学(MD)シミュレーションは分子構造から高分子特性を予測することができるが、その実行には力場選択、システム構築、平衡、特性抽出の専門知識が必要である。
The PolyJarvis, a agent that a large language model (LLM) with the RadonPy Simulation platform through Model Context Protocol (MCP) server, which possible to end-to-end polymer property prediction from natural language input。
ポリマー名またはSMILES文字列が与えられた後、PolyJarvisはモノマーの構成、電荷割り当て、重合、力場パラメータ化、GPU加速平衡、特性計算を自律的に実行する。
ポリエチレン(PE)、アタクティックポリスチレン(aPS)、ポリメタクリル酸メチル(PMMA)、ポリエチレングリコール(PEG)でバリデーションを行う。
その結果, aPS, PMMAの基準値の17～24%で0.1～4.8%, バルク変調の密度予測が得られた。
PMMAガラス転移温度(Tg) (395~K) は+10--18~Kで実験し、残りの3つのポリマーは+38から+47K(vs上層実験境界)で過大評価した。
適切なアモルファス相実験を欠いた症例については,先行MD文献との一致を別々に報告する。
残りのTg故障は、主にエージェントエラーよりも本質的にMD冷却速度バイアスに起因する。
この研究は、LLM駆動のエージェントが、専門家が実行したシミュレーションと一致した結果を生成するポリマーMDワークフローを自律的に実行できることを実証する。
関連論文リスト
- A Multi-Agent Framework for Automated Coarse-Grained Molecular Dynamics of Polymers [0.9176056742068814]
粗粒(CG)分子動力学は、全原子(AA)法にアクセスできるスケールを超えて、ポリマーシミュレーションを拡張している。
ここでは、トポロジ構築、平衡、マッピング、ポテンシャル、検証を自動化するマルチエージェントフレームワークであるCGMasを紹介する。
下流のエージェントはシステムを平衡化し、CG表現にマッピングし、ボルツマンを通してポテンシャルを導出し、その原子論的参照に対してモデルをベンチマークする。
論文 参考訳（メタデータ） (2026-08-07T01:47:48Z) - MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents [57.28652712579434]
分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。
MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。
初期治療設計におけるケーススタディとして、MolLingoは、結合部位の幾何学と残基レベルのタンパク質コンテキストにおけるChemist Agentの推論を根拠にしている。
論文 参考訳（メタデータ） (2026-05-27T02:11:23Z) - Periodic Topological Deep Learning for Polymer Design and Discovery [2.9165586612027234]
本稿では, 周期的ビエトリス・リップス錯体上に構築された深層学習フレームワークである Periodic-TDL について紹介する。
周期的TDLは、電子的、光学的、物理的、熱的ターゲットにまたがるポリマー特性予測タスクにおいて、最先端の全てのモデルより優れている。
論文 参考訳（メタデータ） (2026-05-26T10:51:49Z) - How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。
我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。
SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
論文 参考訳（メタデータ） (2026-01-09T20:08:42Z) - POINT$^{2}$: A Polymer Informatics Training and Testing Database [15.45788515943579]
POINT$2$ (Polymer Informatics Training and Testing) は、高分子情報学における重要な課題に対処するために設計されたベンチマークデータベースとプロトコルである。
我々は、量子ランダムフォレスト、ドロップアウト付き多層パーセプトロン、グラフニューラルネットワーク、事前訓練された大規模言語モデルを含むMLモデルのアンサンブルを開発する。
これらのモデルは、Morgan、MACCS、RDKit、Topological、Atom Pairの指紋、グラフベースの記述子といった多様なポリマー表現と結合している。
論文 参考訳（メタデータ） (2025-03-30T15:46:01Z) - Multimodal machine learning with large language embedding model for polymer property prediction [2.525624865489335]
本稿では,高分子特性予測タスクに対して,単純で効果的なマルチモーダルアーキテクチャであるPolyLLMemを提案する。
PolyLLMemは、Llama 3によって生成されたテキスト埋め込みとUni-Mol由来の分子構造埋め込みを統合する。
その性能は、グラフベースのモデルやトランスフォーマーベースのモデルと同等であり、場合によってはそれ以上である。
論文 参考訳（メタデータ） (2025-03-29T03:48:11Z) - MMPolymer: A Multimodal Multitask Pretraining Framework for Polymer Property Prediction [24.975491375575224]
MMPolymerはポリマー1Dシーケンシャルおよび3D構造情報を組み込んだ新しいマルチタスク事前学習フレームワークである。
MMPolymerは、下流特性予測タスクにおける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） (2024-06-07T08:19:59Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。
16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
論文 参考訳（メタデータ） (2023-11-17T20:34:28Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z)
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。