論文の概要: Mol-Debate: Multi-Agent Debate Improves Structural Reasoning in Molecular Design
- arxiv url: http://arxiv.org/abs/2604.20254v1
- Date: Wed, 22 Apr 2026 07:03:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:11.000015
- Title: Mol-Debate: Multi-Agent Debate Improves Structural Reasoning in Molecular Design
- Title（参考訳）: Mol-Debate: 分子設計における構造推論の改善
- Authors: Wengyu Zhang, Xiao-Yong Wei, Qing Li,
- Abstract要約: Mol-Debateは、反復的な生成-決定-再定義ループによる動的推論を可能にする生成パラダイムである。
モル-ディベートは、強い一般および化学的基線に対して最先端の性能を発揮することを示す実験である。
- 参考スコア（独自算出の注目度）: 13.985773177895476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-guided molecular design is a key capability for AI-driven drug discovery, yet it remains challenging to map sequential natural-language instructions with non-linear molecular structures under strict chemical constraints. Most existing approaches, including RAG, CoT prompting, and fine-tuning or RL, emphasize a small set of ad-hoc reasoning perspectives implemented in a largely one-shot generation pipeline. In contrast, real-world drug discovery relies on dynamic, multi-perspective critique and iterative refinement to reconcile semantic intent with structural feasibility. Motivated by this, we propose Mol-Debate, a generation paradigm that enables such dynamic reasoning through an iterative generate-debate-refine loop. We further characterize key challenges in this paradigm and address them through perspective-oriented orchestration, including developer-debater conflict, global-local structural reasoning, and static-dynamic integration. Experiments demonstrate that Mol-Debate achieves state-of-the-art performance against strong general and chemical baselines, reaching 59.82% exact match on ChEBI-20 and 50.52% weighted success rate on S$^2$-Bench. Our code is available at https://github.com/wyuzh/Mol-Debate.
- Abstract（参考訳）: テキスト誘導分子設計は、AIによって駆動される薬物発見の鍵となる能力であるが、厳密な化学制約の下で、非線形分子構造を持つ逐次自然言語命令をマッピングすることは依然として困難である。
RAG、CoTプロンプト、ファインチューニング、あるいはRLなど、既存のアプローチのほとんどは、主にワンショット生成パイプラインで実装されたアドホックな推論の小さなセットを強調している。
対照的に、現実世界の薬物発見は、構造的実現可能性と意味的意図を一致させるために、動的で多面的な批判と反復的な改善に依存している。
そこで本研究では, 繰り返し生成・デベート・リファインループを通した動的推論が可能な生成パラダイム, Mol-Debateを提案する。
我々は、このパラダイムにおける重要な課題をさらに特徴付け、開発者とディベータの衝突、グローバルな局所構造推論、静的な統合など、視点指向のオーケストレーションを通じてそれらに対処する。
実験により、モル-ディベートは強い一般および化学的基線に対して最先端の性能を達成し、ChEBI-20では59.82%、S$^2$-Benchでは50.52%の精度で成功率を達成した。
私たちのコードはhttps://github.com/wyuzh/Mol-Debate.comから入手可能です。
関連論文リスト
- OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。
OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。
我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文 参考訳（メタデータ） (2026-03-16T18:29:01Z) - 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) - Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。
本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。
その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
論文 参考訳（メタデータ） (2026-01-07T16:39:34Z) - Chain-of-Generation: Progressive Latent Diffusion for Text-Guided Molecular Design [37.81281530740739]
生成した部品の解釈性が劣るなど,ワンショットコンディショニング生成の3つの課題について論じる。
トレーニング不要な多段階遅延拡散フレームワークであるChain-of-Generation (CoG)を提案する。
CoGは各プロンプトをカリキュラム順のセマンティックセグメントに分解し、段階的に中間目標として組み込む。
論文 参考訳（メタデータ） (2025-11-14T21:54:10Z) - Knowledge-Augmented Long-CoT Generation for Complex Biomolecular Reasoning [51.673503054645415]
生体分子機構は、分子間相互作用、シグナルカスケード、代謝経路の多段階的推論を必要とする。
既存のアプローチはしばしばこれらの問題を悪化させる: 推論ステップは生物学的事実から逸脱したり、長い機械的依存関係を捉えるのに失敗する。
本稿では,LLMと知識グラフに基づくマルチホップ推論チェーンを統合したLong-CoT推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-11T09:26:32Z) - MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction [52.89860691282002]
インプシット属性値抽出(AVE)は、電子商取引における商品の正確な表現に不可欠である。
マルチモーダル大言語モデル(MLLM)の進歩にもかかわらず、多次元データの複雑さのため暗黙のAVEは依然として困難である。
我々は,複数のMLLMエージェントを用いて推論を反復的に洗練するマルチエージェント討論フレームワークであるtextscmodelnameを紹介する。
論文 参考訳（メタデータ） (2025-10-07T06:27:42Z) - $\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。
実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで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） (2025-08-12T05:46:47Z) - Mol-R1: Towards Explicit Long-CoT Reasoning in Molecule Discovery [21.895481477176475]
Mol-R1は、テキストベースの分子生成におけるR1のようなExplicit Long-CoT推論モデルの説明可能性と推論性能を改善するために設計された新しいフレームワークである。
分子反復適応(英: Molecular Iterative Adaptation)とは、分子発見のためのR1ライクな推論モデルの推論性能を高めるために、SFT(Supervised Fine-tuning)とRPO(Reinforced Policy Optimization)を反復的に組み合わせたトレーニング戦略である。
論文 参考訳（メタデータ） (2025-08-11T18:50:05Z) - 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) - Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
MolGenは、分子生成に特化した事前訓練された分子言語モデルである。
1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。
我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
論文 参考訳（メタデータ） (2023-01-26T17:52:56Z)
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。