論文の概要: AdsMind: A Physics-Grounded Multi-Agent System for Self-Correcting Discovery of Adsorption Configurations on Heterogeneous Catalyst Surfaces
- arxiv url: http://arxiv.org/abs/2606.19152v1
- Date: Wed, 17 Jun 2026 14:57:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.223063
- Title: AdsMind: A Physics-Grounded Multi-Agent System for Self-Correcting Discovery of Adsorption Configurations on Heterogeneous Catalyst Surfaces
- Title（参考訳）: AdsMind:不均一触媒表面における吸着形態の自己補正のための物理グラウンドマルチエージェントシステム
- Authors: Zongmin Zhang, Yuyang Lou, Bowen Zhang, Junwu Chen, Ryo Kuroki, Xuan Vu Nguyen, Edvin Fako, Lixue Cheng, Philippe Schwaller,
- Abstract要約: 本稿では,MLFF緩和フィードバックによる自動誤り訂正を可能にする閉ループマルチエージェントフレームワークAdsMindを提案する。
4つのバックエンドで、AdsMindはAA20とOCDGMAE62のベンチマークで100%と98.8%の成功率で、常に高エネルギーの検索信頼性を提供する。
- 参考スコア（独自算出の注目度）: 5.977468100986184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying the lowest-energy surface-adsorbate configuration is critical for modeling heterogeneous catalysis, yet exhaustive exploration with ab initio calculations is computationally prohibitive. Machine-learning force fields (MLFFs) accelerate structural relaxation but leave the search over the vast configurational space a major bottleneck, and open-loop large language model (LLM) agents lack a physics-grounded feedback mechanism to correct erroneous initial guesses. We propose AdsMind (Adsorption configuration discovery with Machine intelligence and relaxation feedback), a closed-loop multi-agent framework that enables autonomous error correction through MLFF relaxation feedback. Across four LLM backends, AdsMind achieves consistently high search reliability, with success rates of 100% and 98.8% on the benchmarks AA20 and OCD-GMAE62. Relative to its single-pass (1-Shot) ablation it reduces cross-backend energy dispersion, and it uses only 4.11 and 4.67 MLFF relaxations per case, respectively -- an approximately 14-fold reduction over heuristic enumeration baselines. Density functional theory (DFT) validation using VASP/PBE on six representative AA20 systems shows that the reported open-loop Adsorb-Agent outputs exhibit qualitative adsorption-energy sign errors for molecular adsorbates, whereas AdsMind preserves the correct sign in all tested cases with closer quantitative agreement. AdsMind thus delivers reliability, self-reflection, and interpretability simultaneously, supporting more DFT-informed autonomous chemistry workflows.
- Abstract（参考訳）: 低エネルギー表面吸着構造を同定することは異種触媒のモデリングには重要であるが、ab initio 計算による徹底的な探索は計算的に禁止されている。
機械学習力場(MLFF)は構造緩和を加速するが、広大な構成空間を探索することは大きなボトルネックであり、オープンループ大言語モデル(LLM)エージェントは誤った初期推測を正すための物理基底フィードバック機構を欠いている。
本稿では,MLFF緩和フィードバックによる自動誤り訂正を実現するクローズドループマルチエージェントフレームワークであるAdsMindを提案する。
4つのLCMバックエンドで、AdsMindは、AA20とOCD-GMAE62のベンチマークで100%と98.8%の成功率で、常に高い検索信頼性を実現している。
シングルパス (1-Shot) アブレーションとは対照的に、裏側のエネルギー分散を減少させ、各ケースあたり4.11と4.67 MLFF緩和しか使用せず、これはヒューリスティックな列挙ベースラインよりも約14倍の減少である。
6つの代表的なAA20系におけるVASP/PBEを用いた密度汎関数理論(DFT)の検証は、報告されたオープンループAdsorb-Agent出力が分子吸着剤の定性的吸着エネルギー符号誤差を示すことを示している。
これにより、AdsMindは信頼性、自己回帰、解釈性を同時に提供し、より多くのDFTインフォームされた自律化学ワークフローをサポートする。
関連論文リスト
- Rethinking Molecular OOD Generalization via Target-Aware Source Selection [10.102858221967791]
SCOPE-BENCHは、明示的な物理化学的記述空間におけるクラスタレベルのパーティショニングに基づいて構築されたベンチマークである。
POMAは、知識伝達を検索-合成-適応パイプラインとして定式化するフレームワークである。
SCOPE-BENCHにおける最先端の3D分子モデルの予測誤差は平均5.9倍である。
論文 参考訳（メタデータ） (2026-05-13T16:09:46Z) - Aletheia: Physics-Conditioned Localized Artifact Attention (PhyLAA-X) for End-to-End Generalizable and Robust Deepfake Video Detection [0.0]
局所的アーティファクト注意(LAA-X)を物理条件で拡張したPhyLAAA-Xについて紹介する。
PhyLAA-Xは、光フローカール、スペクトル反射、空間的上昇をLAA-Xの注意に注入する。
これによりネットワークはセマンティックな矛盾や物理的違反が共起する境界を学習せざるを得なくなる。
論文 参考訳（メタデータ） (2026-04-13T08:14:50Z) - AdsorbFlow: energy-conditioned flow matching enables fast and realistic adsorbate placement [9.699345436140641]
本稿では,吸着翻訳の剛体構成空間上のエネルギー条件ベクトル場を学習する決定論的生成モデルであるAdsorbFlowを紹介する。
50のアウト・オブ・ディストリビューションシステムでは、AdsorbFlowは58.0%のSR@10を維持し、MLFF-DFTギャップはわずか4ポイントである。
論文 参考訳（メタデータ） (2026-02-22T17:53:53Z) - Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - 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) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - Adsorb-Agent: Autonomous Identification of Stable Adsorption Configurations via Large Language Model Agent [5.417632175667162]
Adsorb-Agentは、安定な吸着剤触媒構成を効率的に識別するために設計されたLarge Language Model (LLM)エージェントである。
20の多様なシステムでテストされ、Adsorb-Agentは84%のケースで同等の吸着触媒エネルギーを同定し、35%で低いエネルギーを達成する。
論文 参考訳（メタデータ） (2024-10-22T03:19:16Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。
結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文 参考訳（メタデータ） (2023-10-10T14:57:04Z)
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。