論文の概要: Coupling Language Models with Physics-based Simulation for Synthesis of Inorganic Materials

• arxiv url: http://arxiv.org/abs/2606.00315v1
• Date: Fri, 29 May 2026 19:41:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.280185
• Title: Coupling Language Models with Physics-based Simulation for Synthesis of Inorganic Materials
• Title（参考訳）: 物理シミュレーションによる無機材料の合成と言語モデル
• Abstract要約: 無機合成計画におけるLarge Language Models (LLM) の評価のための新しいフレームワークを提案する。 我々は, 工業的に関係のある複数の酸化物相を特徴とするニオブ-酸素系に着目する。 評価設定では、古典的な探索手法は直接競合ではなく、主にホイルとして機能する。
• 参考スコア（独自算出の注目度）: 31.895328442910937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern generative machine learning (ML) models can propose novel inorganic crystalline materials with targeted properties; however, synthesis planning of these materials remains difficult due to the complexity of the associated physical processes and limited availability of computational tools. We introduce a novel hybrid framework to evaluate Large Language Models (LLMs) in inorganic synthesis planning by combining thermodynamic databases with simplified kinetics models to approximate realistic synthesis conditions. As a case study, we focus on the niobium-oxygen system, which features multiple industrially relevant oxide phases with well-characterized data. In computational simulations, we compare LLM-generated synthesis routes with classical path-planning algorithms, showing that the implicit priors in LLMs can yield more viable strategies. In our evaluation setting, classical search methods serve primarily as a foil rather than a direct competitor. This illustrates the relative complexity of the problem and highlights where the LLM's implicit priors add value.
• Abstract（参考訳）: 現代の生成機械学習(ML)モデルは、標的となる性質を持つ新規な無機結晶材料を提案することができるが、関連する物理過程の複雑さと計算ツールの可用性の制限により、これらの材料の合成計画は難しいままである。 本稿では,熱力学データベースと簡易な運動モデルを組み合わせることで,無機合成計画における大規模言語モデル(LLM)を評価するための新しいハイブリッドフレームワークを提案する。 ケーススタディでは, 工業的に関係のある複数の酸化窒素相を特徴とするニオブ-酸素系に着目した。 計算シミュレーションでは, LLM生成した合成経路と古典経路計画アルゴリズムを比較し, LLMの暗黙の先行がより有効な戦略をもたらすことを示す。 評価設定では、古典的な探索手法は直接競合ではなく、主にホイルとして機能する。 このことは、問題の相対的な複雑さを示し、LLMの暗黙の事前値が値を追加する場所を強調します。

関連論文リスト

• URSA: Chemistry-Aware Benchmark for Utilitarian Retrosynthesis Assessment [3.6442441313881706]
  本研究では,URSA (Utilitarian RetroSynthesis Assessment) 評価フレームワークを紹介する。 これは、正式な観点からだけでなく、化学的妥当性の観点からも合成経路をベンチマークする機会を提供する。 本研究は, 従来のエンド・ツー・エンドのレトロシンセシス・ソリューションとLCMを総合的に評価し, 合成計画課題について検討した。
  論文  参考訳（メタデータ） (2026-07-06T05:32:09Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• PeroMAS: A Multi-agent System of Perovskite Material Discovery [51.859972927223936]
  ペロブスカイト太陽電池(PSC)は優れた光電子性能とコストポテンシャルで有名である。 既存のAIアプローチは主に、マテリアルデザイン、プロセス最適化、プロパティ予測など、独立したモデルに焦点を当てている。 ペロブスカイト材料発見のためのマルチエージェントシステムPeroMASを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:33:06Z)
• When Single Answer Is Not Enough: Rethinking Single-Step Retrosynthesis Benchmarks for LLMs [3.973137925060284]
  単段回帰合成のための新しいベンチマークフレームワークを提案する。 正確なマッチングに対する妥当性を強調することで、このアプローチは人間の合成計画プラクティスとよりよく一致します。 LLMトレーニングのための数百万のChemCensor-validated reaction recordからなる新しいデータセットCREEDについても紹介する。
  論文  参考訳（メタデータ） (2026-02-03T14:03:32Z)
• Synthelite: Chemist-aligned and feasibility-aware synthesis planning with LLMs [3.7129661557601854]
  本稿では,大規模な言語モデルを用いてレトロシンセティック変換を提案する合成計画フレームワークであるSyntheliteを紹介する。 シンセライトは、LLMの本質的な化学知識と推論能力を活用することによって、エンドツーエンドの合成経路を生成することができる。 実験により,Syntheliteの計画軌道を多様なユーザ指定制約に柔軟に適用し,最大95%の成功率を達成することができた。
  論文  参考訳（メタデータ） (2025-12-18T11:24:30Z)
• LeMat-Synth: a multi-modal toolbox to curate broad synthesis procedure databases from scientific literature [60.879220305044726]
  本稿では,大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いて合成手順と性能データを自動抽出・整理するマルチモーダルツールボックスを提案する。 LeMat-Synth (v 1.0):35種類の合成法と16種類の材料クラスにまたがる合成手順を含むデータセット。 我々は,新しいコーパスと合成ドメインへのコミュニティ主導の拡張をサポートするために設計された,モジュール形式のオープンソースライブラリをリリースする。
  論文  参考訳（メタデータ） (2025-10-28T17:58:18Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• LLMSynthor: Macro-Aligned Micro-Records Synthesis with Large Language Models [20.767947974005168]
  LLM Synthorは、ターゲットのマクロ統計と一致した現実的なマイクロレコードを生成するマクロ認識シミュレータである。 合成データセットを反復的に構築し、合成アグリゲーションとターゲットアグリゲーションの差を最小限に抑える。 強力な現実主義、統計的忠実さ、実用性を実現し、経済学、社会科学、都市研究に広く応用されている。
  論文  参考訳（メタデータ） (2025-05-20T13:35:38Z)
• Mitigating Catastrophic Forgetting in Large Language Models with Self-Synthesized Rehearsal [49.24054920683246]
  大規模言語モデル(LLM)は、連続学習中に破滅的な忘れ込みに悩まされる。 自己合成リハーサル(Self-Synthesized Rehearsal, SSR)と呼ばれるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-02T16:11:23Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)
• Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning [1.4680035572775534]
  本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。 このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
  論文  参考訳（メタデータ） (2020-09-14T20:50:45Z)

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。