論文の概要: Generative Chemical Language Models for Energetic Materials Discovery

• arxiv url: http://arxiv.org/abs/2604.03304v1
• Date: Mon, 30 Mar 2026 18:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.489188
• Title: Generative Chemical Language Models for Energetic Materials Discovery
• Title（参考訳）: エネルギー材料発見のための生成化学言語モデル
• Authors: Andrew Salij, R. Seaton Ullberg, Megan C. Davis, Marc J. Cawkwell, Christopher J. Snyder, Cristina Garcia Cardona, Ivana Matanovic, Wilton J. M. Kort-Kamp,
• Abstract要約: 新たなエネルギー素材の発見は、高品質なデータの入手が限られているため、依然として圧力のかかる課題である。 我々は, 広範囲な化学データに基づいて事前学習し, キュレートされたエネルギー材料データセットで微調整した生成分子言語モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of new energetic materials remains a pressing challenge hindered by limited availability of high-quality data. To address this, we have developed generative molecular language models that have been pretrained on extensive chemical data and then fine-tuned with curated energetic materials datasets. This transfer-learning strategy extends the chemical language model capabilities beyond the pharmacological space in which they have been predominantly developed, offering a framework applicable to other data-spare discovery problems. Furthermore, we discuss the benefits of fragment-based molecular encodings for chemical language models, in particular in constructing synthetically accessible structures. Together, these advances provide a foundation for accelerating the design of next-generation energetic materials with demanding performance requirements.
• Abstract（参考訳）: 新たなエネルギー素材の発見は、高品質なデータの入手が限られているため、依然として圧力のかかる課題である。 そこで我々は, 広範囲な化学データに基づいて事前学習した生成分子言語モデルを開発し, キュレートされたエネルギー材料データセットを用いて微調整を行った。 この移行学習戦略は、主に開発された薬理学領域を超えて、化学言語モデルの能力を拡張し、他のデータスペア発見問題に適用可能なフレームワークを提供する。 さらに、化学言語モデルに対するフラグメントベースの分子エンコーディングの利点、特に合成可能な構造の構築について論じる。 これらの進歩は、性能要件を要求された次世代エネルギー材料の設計を加速するための基盤となる。

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)
• Unveiling Latent Knowledge in Chemistry Language Models through Sparse Autoencoders [42.033443425253644]
  我々はスパースオートエンコーダ技術を拡張して化学言語モデル内の解釈可能な特徴を明らかにし,検討する。 以上の結果から,これらのモデルが化学概念の豊かな風景をエンコードしていることが判明した。 我々のアプローチは、化学にフォーカスしたAIシステムにおける潜在知識を明らかにするための一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-12-08T22:20:01Z)
• 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)
• Leveraging Chemistry Foundation Models to Facilitate Structure Focused Retrieval Augmented Generation in Multi-Agent Workflows for Catalyst and Materials Design [0.0]
  ケミカル基礎モデルは,構造に着目したセマンティックケミカル情報検索の基盤として機能することを示す。 また,OpenCLIP などのマルチモーダルモデルと化学基礎モデルの併用について述べる。
  論文  参考訳（メタデータ） (2024-08-21T17:25:45Z)
• 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)
• ChemLLM: A Chemical Large Language Model [49.308528569982805]
  大規模言語モデル(LLM)は化学応用において顕著な進歩を遂げた。 しかし、コミュニティには化学に特化したLLMが欠落している。 本稿では,化学に特化した最初のLLMを特徴とする包括的フレームワークであるChemLLMを紹介する。
  論文  参考訳（メタデータ） (2024-02-10T01:11:59Z)
• 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。