論文の概要: LEGO-MOF: Equivariant Latent Manipulation for Editable, Generative, and Optimizable MOF Design

• arxiv url: http://arxiv.org/abs/2604.13520v1
• Date: Wed, 15 Apr 2026 06:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.407558
• Title: LEGO-MOF: Equivariant Latent Manipulation for Editable, Generative, and Optimizable MOF Design
• Title（参考訳）: LEGO-MOF: 編集可能、生成可能、最適化可能なMOF設計のための等価ラテントマニピュレーション
• Authors: Chaoran Zhang, Guangyao Li, Dongxu Ji,
• Abstract要約: 金属-有機フレームワーク(MOF)は炭素捕獲に非常に有望であるが、その広大な設計領域をナビゲートすることは依然として困難である。 最近の深層生成モデルはデ・ノボMOFの設計を可能にするが、主にフィードフォワード構造生成器として機能する。 本稿では,連続的な構造操作に着目したターゲット駆動型生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.084397378671682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal-organic frameworks (MOFs) are highly promising for carbon capture, yet navigating their vast design space remains challenging. Recent deep generative models enable de novo MOF design but primarily act as feed-forward structure generators. By heavily relying on predefined building block libraries and non-differentiable post-optimization, they fundamentally sever the information flow required for continuous structural editing. Here, we propose a target-driven generative framework focused on continuous structural manipulation. At its core is LinkerVAE, which maps discrete 3D chemical graphs into a continuous, SE(3)-equivariant latent space. This smooth manifold unlocks geometry-aware manipulations, including implicit chemical style transfer and zero-shot isoreticular expansion. Building upon this, we introduce a test-time optimization (TTO) strategy, utilizing an accurate surrogate model to continuously optimize the latent graphs of existing MOFs toward desired properties. This approach systematically enhances carbon capture performance, achieving a striking average relative boost of 147.5% in pure CO2 uptake while strictly preserving structural validity. Integrated with a latent diffusion model and rigid-body assembly for full MOF construction, our framework establishes a scalable, fully differentiable pathway for both the automated discovery, targeted optimization and editing of functional materials.
• Abstract（参考訳）: 金属-有機フレームワーク(MOF)は炭素捕獲に非常に有望であるが、その広大な設計領域をナビゲートすることは依然として困難である。 最近の深層生成モデルはデ・ノボMOFの設計を可能にするが、主にフィードフォワード構造生成器として機能する。 事前に定義されたビルディングブロックライブラリと非微分不可能なポスト最適化に強く依存することにより、継続的構造編集に必要な情報フローを根本的に削減する。 本稿では,連続的な構造操作に着目したターゲット駆動型生成フレームワークを提案する。 中心となるLinkerVAEは、離散的な3次元ケミカルグラフを連続なSE(3)-同変ラテント空間にマッピングする。 この滑らかな多様体は、暗黙の化学スタイルの転送やゼロショット等角展開を含む幾何学的な操作をアンロックする。 これに基づいてテスト時間最適化(TTO)戦略を導入し,既存のMOFの潜伏グラフを所望の特性に対して連続的に最適化するために,高精度なサロゲートモデルを利用する。 このアプローチは、炭素捕獲性能を体系的に向上させ、構造的妥当性を厳格に保ちつつ、純粋なCO2の取り込みで147.5%の顕著な平均的な相対的な増加を達成する。 完全なMOF構築のための潜在拡散モデルと剛体組立を統合し,機能材料の自動発見,目標最適化,編集の両面において,拡張性,完全微分可能な経路を確立する。

関連論文リスト

• Property-Guided Molecular Generation and Optimization via Latent Flows [44.50339042016925]
  MoltenFlowは、プロパティ組織化された潜在表現とフローマッチングの事前と勾配に基づくガイダンスを組み合わせたモジュラーフレームワークである。 導出潜水流は, 制御可能なトレードオフを有する固定オラクル予算の下で, 効率的な多目的分子最適化を可能にすることを示す。
  論文  参考訳（メタデータ） (2026-03-27T18:09:52Z)
• Lang2Str: Two-Stage Crystal Structure Generation with LLMs and Continuous Flow Models [22.830348732529334]
  フレキシブルかつ高精度な材料生成のための2段階生成フレームワークであるLang2Strを提案する。 本手法は, 生成過程を条件付き生成タスクとみなす。 本手法は,テクスタイブ初期材料生成および結晶構造予測タスクにおける競合性能を実現する。
  論文  参考訳（メタデータ） (2026-03-04T11:14:01Z)
• ExpertWeaver: Unlocking the Inherent MoE in Dense LLMs with GLU Activation Patterns [68.61814799047956]
  Mixture-of-Experts (MoE)は、スパース専門家のアクティベーションを通じて計算効率を保ちながら、モデル容量を効果的にスケールする。 ExpertWeaverは、ニューロンをアクティベーションパターンに従ってパーティショニングする、トレーニング不要のフレームワークで、共有専門家と特殊なルーティング専門家をレイヤ適応構成で構成する。
  論文  参考訳（メタデータ） (2026-02-17T11:50:58Z)
• MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching [6.649784863468093]
  条件分子生成の主な目的は、化学的妥当性の確保、生成分子と目的特性の整合、発見のための効率的なサンプリングを可能にすることである。 コンピュータビジョンの最近の進歩は、生成モデルのための様々な新しいガイダンス戦略を導入した。 我々は,SE(3)-同変フローマッチングプロセス上に構築された先行分子生成フレームワークに最先端のガイダンス手法を統合する。
  論文  参考訳（メタデータ） (2025-12-13T06:05:09Z)
• Efficient Training of Diffusion Mixture-of-Experts Models: A Practical Recipe [51.26601054313749]
  Diffusion MoEモデルに対する最近の取り組みは、主により洗練されたルーティングメカニズムの開発に焦点を当てている。 大規模言語モデル(LLM)で確立されたMoE設計パラダイムに着想を得て,効率的な拡散MoEモデルを構築する上で重要なアーキテクチャ要素のセットを特定する。 本稿では,潜在空間拡散フレームワークと画素空間拡散フレームワークの両方に効率よく適用可能な新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-01T03:52:31Z)
• Structural Similarity-Inspired Unfolding for Lightweight Image Super-Resolution [88.20464308588889]
  効率的な画像SRのための構造類似インスパイアド・アンフォールディング(SSIU)法を提案する。 この方法は、構造的類似性に制約されたSR最適化関数の展開によって設計される。 我々のモデルは現在の最先端モデルより優れており、パラメータ数が低く、メモリ消費が減少している。
  論文  参考訳（メタデータ） (2025-06-13T14:29:40Z)
• MOFGPT: Generative Design of Metal-Organic Frameworks using Language Models [5.417632175667162]
  応用固有の性質を持つ金属有機フレームワーク(MOF)は、材料化学における中心的な課題である。 我々はMOFのデノボ設計のための強化学習型トランスフォーマーベースのフレームワークを提案する。 特性フィードバックをシーケンス生成に統合することにより、このモデルを合成可能でトポロジカルに有効なMOFに向けて駆動する。
  論文  参考訳（メタデータ） (2025-05-30T20:09:11Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)

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。