論文の概要: EvoMD-LLM: Learning the Language of Species Evolution in Reactive Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2605.29394v1
• Date: Thu, 28 May 2026 05:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.764
• Title: EvoMD-LLM: Learning the Language of Species Evolution in Reactive Molecular Dynamics
• Title（参考訳）: EvoMD-LLM:反応分子動力学における種進化の言語学習
• Authors: Zhichen Tang, Zhengzheng Dang, Yulin Chen, Jixin Wu, Haiwen Li, Yanming Wang,
• Abstract要約: EvoMD-LLMは、シンボリック・テンポラル言語モデリング問題として種レベルでの分子動力学を再構築するフレームワークである。 EvoMD-LLMの重要な構成要素は時間的足場であり、これはイベントの持続時間を明示的な言語トークンとして扱う。 EvoMD-LLMを複数の時間的予測タスクで評価し、66.14%の精度を実現し、ニューラルネットワークと言語に基づく逐次ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 10.817712907027392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While large language models (LLMs) excel at static scientific reasoning, they struggle to model the temporal structure of dynamic physical processes. We present EvoMD-LLM (Evolutionary Molecular Dynamics Large Language Model), a framework that reformulates species-level molecular dynamics as a symbolic temporal language modeling problem. Reactive MD trajectories are discretized into sequences of molecular events, where each token represents a chemical species augmented with its persistence duration, enabling standard autoregressive LLMs to learn compositional evolution over time through efficient fine-tuning. A key component of EvoMD-LLM is temporal scaffolding, which treats event duration as an explicit linguistic token and serves as a structured inductive bias, significantly reducing invalid or hallucinated molecular outputs compared to conventional sequence modeling approaches. We evaluate EvoMD-LLM on multiple temporal prediction tasks, achieving up to 66.14% accuracy and consistently outperforming sequential neural networks and language-based baselines. Beyond quantitative improvements, we qualitatively observe that the model is capable of generating interpretations for its own predictions by incorporating relevant chemical knowledge, even though it was not explicitly supervised with paired trajectory-explanation data. These results demonstrate that symbolic temporal language modeling provides an effective framework for grounding LLMs in dynamic physical simulations.
• Abstract（参考訳）: 大きな言語モデル(LLM)は静的な科学的推論において優れているが、動的物理過程の時間構造をモデル化するのに苦労している。 EvoMD-LLM (Evolutionary Molecular Dynamics Large Language Model) は,種レベルでの分子動力学を記号的テンポラル言語モデリング問題として再構成するフレームワークである。 反応性MD軌道は分子イベントの配列に識別され、それぞれのトークンはその持続時間で増強された化学種を表す。 EvoMD-LLMの鍵となる構成要素は時間的スキャフォールディングであり、これはイベント持続時間を明示的な言語トークンとして扱い、構造的帰納バイアスとして機能し、従来の配列モデリング手法と比較して、無効または幻覚分子出力を著しく減少させる。 EvoMD-LLMを複数の時間的予測タスクで評価し、66.14%の精度を実現し、逐次ニューラルネットワークと言語ベースラインを一貫して上回っている。 定量的改善の他に, モデルが関連する化学知識を組み込むことで, それぞれの予測に対して解釈を生成できることを定性的に観察する。 これらの結果から,記号的時相言語モデリングは動的物理シミュレーションにおけるLLMの基底化に有効なフレームワークであることが示された。

関連論文リスト

• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics [23.265257394398102]
  ATMOSは、生体分子系のための原子レベルのMD軌道を生成するために設計された新しい生成フレームワークである。 ATMOSは, タンパク質モノマーと複雑なタンパク質-リガンド系の両方に対して, コンフォメーショントラジェクトリを生成する際に, 最先端の性能を実現することを実証した。
  論文  参考訳（メタデータ） (2026-03-18T11:53:45Z)
• 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)
• Dynamical Systems Analysis Reveals Functional Regimes in Large Language Models [0.8694591156258423]
  大規模言語モデルは高次元内部力学を用いてテキスト生成を行う。 ほとんどの解釈可能性のアプローチは静的表現や因果的介入に重点を置いており、時間構造はほとんど探索されていない。 本稿では,自己回帰生成中のアクティベーション時系列から計算した複合動的計量について論じる。
  論文  参考訳（メタデータ） (2026-01-11T21:57:52Z)
• $\text{M}^{2}$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)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
  GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。 GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。 これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Do Large Scale Molecular Language Representations Capture Important Structural Information? [31.76876206167457]
  本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。 実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
  論文  参考訳（メタデータ） (2021-06-17T14:33:55Z)

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。