Fugu-MT 論文翻訳(概要): Toward Controllable Catalyst Inverse Design via Large-Scale Autoregressive Pretraining

論文の概要: Toward Controllable Catalyst Inverse Design via Large-Scale Autoregressive Pretraining

arxiv url: http://arxiv.org/abs/2606.17445v1
Date: Tue, 16 Jun 2026 03:00:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-17 17:15:32.228462
Title: Toward Controllable Catalyst Inverse Design via Large-Scale Autoregressive Pretraining
Title（参考訳）: 大規模自己回帰前処理による制御可能な触媒逆設計に向けて
Authors: Dong Hyeon Mok, Jonggeol Na, Seoin Back,
Abstract要約: 生成事前学習型トランスアーキテクチャに基づく条件付き触媒生成モデルを提案する。このモデルでは, 98%の構造的妥当性, 95%の最適化妥当性, 高いカテゴリー的条件忠実度が得られた。その結果, 大規模自己回帰前訓練と明示的特性条件の併用により, 制御可能な触媒生成に向けた実践的な経路が得られた。
参考スコア（独自算出の注目度）: 0.20391237204597365
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inverse design of heterogeneous catalysts remains challenging because catalyst surfaces exhibit substantial structural complexity with coupled surface-adsorbate interactions across a vast chemical space that is difficult to explore efficiently through conventional screening alone. Although machine learning-based high-throughput screening has accelerated catalyst discovery, its efficiency inevitably declines as the search space grows, motivating the development of generative models that can directly construct catalysts with target properties. Here, we present a conditional catalyst generative model based on the Generative Pretrained Transformer architecture with a numerical embedding layer that enables the generation of catalyst structures conditioned on both categorical and continuous properties within a single autoregressive framework. The model was pretrained on 133 million catalyst structures and subsequently fine-tuned on approximately 460,000 optimized structures with associated categorical properties and binding energies for conditional generation. The resulting model achieved 98% structural validity, 95% optimization validity, and high categorical condition fidelity, with a 93 % joint match rate for adsorbate type and composition. For binding energy conditioning, the match rate of approximately 20% represents a four-fold improvement over the baseline training distribution, and the generated distributions shift systematically toward the target values, enabling a 1.5 to 4-fold improvement in screening efficiency for reaction-targeted catalyst discovery without additional fine-tuning. These results show that large-scale autoregressive pre-training, combined with explicit property conditioning, provides a practical route toward controllable catalyst generation and accelerated catalysts discovery.
Abstract（参考訳）: 不均一触媒の逆設計は、触媒表面が従来のスクリーニングのみで効率的に探索することが難しい広大な化学空間をまたいだ表面-吸着相互作用によってかなり複雑な構造を示すため、依然として困難である。機械学習に基づく高スループットスクリーニングは触媒発見を加速しているが、探索空間が大きくなるにつれてその効率は必然的に低下し、目的とする性質を持つ触媒を直接構築できる生成モデルの開発が動機となっている。本稿では,1つの自己回帰フレームワーク内でのカテゴリー的および連続的特性を条件とした触媒構造の生成を可能にする数値埋め込み層を備えた,生成事前学習型トランスフォーマアーキテクチャに基づく条件付き触媒生成モデルを提案する。このモデルは1億3300万の触媒構造に事前訓練され、その後、約46万の最適化された構造に微調整された。その結果, 98%の構造的妥当性, 95%の最適化妥当性, および高いカテゴリー的条件忠実度が得られた。結合エネルギー条件付けにおいて、約20%のマッチングレートは、ベースライントレーニング分布よりも4倍改善され、生成した分布は目標値に対して体系的に変化し、追加の微調整なしに反応目標触媒発見のスクリーニング効率が1.5〜4倍向上する。これらの結果から, 大規模自己回帰前訓練と明示的特性条件の併用により, 制御可能な触媒生成と触媒発見の促進に向けた実践的な経路が得られた。

関連論文リスト

CatalyticMLLM: A Graph-Text Multimodal Large Language Model for Catalytic Materials [61.546562658308005]
触媒材料のためのグラフテキスト多モード大言語モデルQE-Catalytic-V2を提案する。プロパティ予測と逆設計を同じモデルと共有表現空間に統合する。この統合フレームワークでは、QE-Catalytic-V2は信頼性の高いプロパティ予測を行うだけでなく、物理的に実現可能なCIF候補を生成し、表示することができる。
論文参考訳（メタデータ） (2026-05-17T04:31:46Z)
Accelerating High-Throughput Catalyst Screening by Direct Generation of Equilibrium Adsorption Structures [0.0]
我々は,周期的ブラウン橋の枠組みを同変グラフニューラルネットワークと統合し,非緩和構造とDFT緩和構造の間の低次元遷移多様体を構築する深部生成モデルDBCataを提案する。トレーニング中、DBCataはCatalysis-Hubデータセット上で0.035テキストの高忠実で原子間距離の平均絶対誤差(DMAE)を効果的に生成する。対応するDFT精度は、異常予測を特定して精錬することにより、インスタンスの94%において0.1 eV以内で改善することができる。
論文参考訳（メタデータ） (2025-12-17T09:26:58Z)
Catalyst GFlowNet for electrocatalyst design: A hydrogen evolution reaction case study [73.49945279707323]
電気触媒は水素エネルギー貯蔵(HES)において重要な役割を担い、エネルギーを水素として貯蔵する。本稿では, 効率的な触媒として機能する結晶表面を設計するために, 生成とエネルギーの機械学習に基づく予測モデルであるCatalyst GFlowNetを紹介する。我々は,HESにおける重要な反応である水素進化反応への概念実証の適用を通じて,プラチナを最も効率的な触媒として同定し,モデルの性能を実証した。
論文参考訳（メタデータ） (2025-10-02T15:49:39Z)
Fitness aligned structural modeling enables scalable virtual screening with AuroBind [56.720030595081845]
AuroBindは、100万規模のケモゲノミクスデータ上に、カスタム原子レベルの構造モデルを微調整するスケーラブルな仮想スクリーニングフレームワークである。 AuroBindは、直接選好最適化、高信頼錯体からの自己蒸留、教師-学生加速戦略を統合している。 AuroBindは10の疾患関連目標に対して、実験的なヒット率7-69%を達成し、トップ化合物はナノモラール下からピコモラールに到達した。
論文参考訳（メタデータ） (2025-08-04T07:34:48Z)
Generative Language Model for Catalyst Discovery [0.0]
化学空間から無機触媒構造の文字列表現を生成するために訓練されたCatalyst Generative Pretrained Transformer (CatGPT)を導入する。 CatGPTは有効かつ正確な触媒構造を生成する上で高い性能を示すだけでなく、所望の触媒の種類を生成するための基礎モデルとしても機能する。
論文参考訳（メタデータ） (2024-07-19T05:34:08Z)
Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning [17.00084254889438]
高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチがないため、課題に直面している。
論文参考訳（メタデータ） (2024-04-18T18:11:06Z)
Turning hazardous volatile matter compounds into fuel by catalytic steam reforming: An evolutionary machine learning approach [2.1026063307327045]
本研究は,揮発性物質化合物の触媒水蒸気改質をモデル化し,理解し,最適化するための機械学習に基づく研究フレームワークを初めて開発したものである。トルエン触媒水蒸気改質は, 化学・音場解析を用いて機械学習モデルの入力特性を得る方法を示すケーススタディとして用いられる。
論文参考訳（メタデータ） (2023-07-25T16:29:07Z)
Catalysis distillation neural network for the few shot open catalyst challenge [1.1878820609988694]
本稿では,機械学習の反応予測への応用を推し進めるコンペであるFew-Shot Open Catalyst Challenge 2023を紹介する。触媒蒸留グラフニューラルネットワーク(CDGNN)というフレームワークを用いた機械学習手法を提案する。その結果,CDGNNは触媒構造からの埋め込みを効果的に学習し,構造吸着関係の捕捉を可能にした。
論文参考訳（メタデータ） (2023-05-31T04:23:56Z)
PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design [102.9593507372373]
触媒材料は産業プロセスに関わる電気化学反応において重要な役割を担っている。機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度の両立を図っている。
論文参考訳（メタデータ） (2022-11-22T05:24:30Z)
Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文参考訳（メタデータ） (2022-09-15T13:52:15Z)

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。