論文の概要: MDForge: Agentic Molecular Dynamics Pipeline Design under Sparse Simulator Feedback
- arxiv url: http://arxiv.org/abs/2606.12916v1
- Date: Thu, 11 Jun 2026 05:19:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.597955
- Title: MDForge: Agentic Molecular Dynamics Pipeline Design under Sparse Simulator Feedback
- Title（参考訳）: MDForge:スパースシミュレータフィードバックによるエージェント分子動力学パイプライン設計
- Abstract要約: 分子動力学(英: molecular dynamics、MD)は、第一原理物理学から分子の挙動をシミュレートする、原子論的な分子科学の標準的イン・シリコ法である。
MDForgeは、コンテキスト内更新ルールが、物理学の専門家間のマルチエージェントの議論を通じて、スパース報酬を具現化するエージェントである。
3つのSAMPLホストゲストバインディングフリーエネルギーベンチマークにおいて、MDForgeは人間の専門家と競合するMDパイプラインを自動設計する。
そのCB[7]パイプラインは、ウェットラブ競合NMRが高親和性、ピコモルCB[7]結合体であることを確認する新しいバインダーを発見する。
- 参考スコア（独自算出の注目度）: 37.18099328639044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular dynamics (MD) is the canonical in-silico method for atomistic molecular science, simulating molecular behavior from first-principle physics. Designing an MD pipeline for a new system requires substantial expert knowledge: running it on even one molecule is expensive, ruling out trial-and-error. We automate this expert pipeline-design process with an LLM agent. Unlike existing MD agents that orchestrate a predefined tool set, we treat pipeline design as open-ended code generation in which the agent's behavior is reshaped online by verbal reward. Specifically, we build MDForge, an LLM agent whose in-context update rule densifies the sparse reward via a multi-agent debate among physics experts. On three SAMPL host-guest binding free-energy benchmarks, MDForge automatically designs MD pipelines competitive with human experts. Deployed on a library of unseen candidate guests, its CB[7] pipeline discovers a novel binder that wet-lab competition NMR confirms is a high-affinity, picomolar CB[7] binder. Our data and code are available at https://github.com/Zehong-Wang/MDForge.
- Abstract（参考訳）: 分子動力学(英: molecular dynamics、MD)は、第一原理物理学から分子の挙動をシミュレートする、原子論的な分子科学の標準的イン・シリコ法である。
新しいシステムのためにMDパイプラインを設計するには、専門家の知識が必要だ。
LLMエージェントを用いてパイプライン設計プロセスを自動化する。
事前定義されたツールセットを編成する既存のMDエージェントとは異なり、パイプライン設計をオープンなコード生成として扱う。
具体的には、MDForgeという、コンテキスト内更新ルールが、物理学の専門家間のマルチエージェントの議論を通じてスパース報酬を具現化するLLMエージェントを構築した。
3つのSAMPLホストゲストバインディングフリーエネルギーベンチマークにおいて、MDForgeは人間の専門家と競合するMDパイプラインを自動設計する。
CB[7]パイプラインは、ウェットラブ競合NMRが高親和性、ピコモルCB[7]バインダーであることを確認する新しいバインダーを発見する。
私たちのデータとコードはhttps://github.com/Zehong-Wang/MDForge.comで公開されています。
関連論文リスト
- First head-to-head comparison of agentic AI applied to the analysis of simulated data of the Einstein Telescope [0.0]
我々は、最先端のエージェントAIシステムであるClaude Code(Anthropic)とCodex(OpenAI)の比較を報告する。
我々はClaude Codeが3.4分でパイプラインを完了し、仕様から無声で逸脱することを示し、Codexは明示的な自己修正再起動に16分を必要とした。
本稿では,これらの行動の違い,例えば速度対聴覚性,無声対透明な誤り,命令解釈,中間データ表現の臨界性などについて論じる。
論文 参考訳（メタデータ） (2026-05-27T17:54:26Z) - ChipMATE: Multi-Agent Training via Reinforcement Learning for Enhanced RTL Generation [55.947962672433675]
ChipMATEは、RTL生成のための最初の自己学習型マルチエージェントフレームワークである。
ChipMATEは産業的な実践に触発され、VerilogエージェントとPythonのリファレンスモデルエージェントをペアにし、相互に出力を検証する。
ChipMATEは、VerilogEval V2で75.0%と80.1%パス@1を4Bと9Bベースモデルで達成している。
論文 参考訳（メタデータ） (2026-05-13T01:04:21Z) - NeuroClaw Technical Report [54.14941057366186]
NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。
NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。
3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
論文 参考訳（メタデータ） (2026-04-27T16:57:14Z) - PASK: Toward Intent-Aware Proactive Agents with Long-Term Memory [83.06095498971682]
本稿ではまず,プロアクティブAIエージェントのストリーミングパラダイムとしてDD-MM-PAS(Demand Detection, Memory Modeling, Proactive Agent System)を提案する。
私たちはこのパラダイムをPaskでインスタンス化し、DDのためのストリーミングIntentFlowモデル、長期MMのためのハイブリッドメモリ(ワークスペース、ユーザ、グローバル)、PAS赤外線フレームワークを使っています。
また、LatentNeeds-Benchも紹介しています。これは、ユーザ合意のデータから構築され、何千回もの人間の編集によって洗練されています。
論文 参考訳（メタデータ） (2026-04-09T09:06:13Z) - AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation [0.0]
AutoMOOSEは、ひとつの自然言語プロンプトから完全なシミュレーションライフサイクルを編成するエージェントフレームワークである。
MOOSEの入力ファイルは、人間の専門家参照と正確に一致する12のブロックのうち6つで、機能的に等価である。
インテント、有限要素実行、そして人間による検証のないアレニウス運動論にまたがる、エンドツーエンドの物理的整合性チェックを実行する。
論文 参考訳（メタデータ） (2026-03-22T00:11:19Z) - MDAgent2: Large Language Model for Code Generation and Knowledge Q&A in Molecular Dynamics [8.68945222655668]
MDAgent2は、分子動力学領域内で知識Q&Aとコード生成の両方を実行することができる最初のエンドツーエンドフレームワークである。
MD-Instruct と MD-Code の2つのドメイン適応型モデルを訓練するために,3段階の事前学習,教師付き微調整,強化学習を採用する。
さらに、コード生成、実行、評価、自己補正を統合するデプロイ可能なマルチエージェントシステムであるMDAgent2-RUNTIMEを構築します。
論文 参考訳（メタデータ） (2026-01-05T12:56:51Z) - Democratizing Drug Discovery with an Orchestrated, Knowledge-Driven Multi-Agent Team for User-Guided Therapeutic Design [0.0]
OrchestRAは、生物学、化学、薬理学を統一するマルチエージェントプラットフォームである。
静的コードジェネレータとは異なり、エージェントは積極的にシミュレーションを実行し、結果を反復的に最適化する。
論文 参考訳（メタデータ） (2025-12-25T11:03:04Z) - Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - An Auditable Agent Platform For Automated Molecular Optimisation [0.0]
薬物発見は、データ、専門知識、ツールが散在すると、しばしば勢いを失う。
このループを短くするため、分子最適化を自動化するエージェントフレームワークを使用した階層的なツールを構築しました。
論文 参考訳（メタデータ） (2025-08-05T13:41:32Z) - 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)
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。