論文の概要: Interpretable Inverse Design of Metal-Organic Frameworks with Large Language Model Agents
- arxiv url: http://arxiv.org/abs/2606.29459v1
- Date: Sun, 28 Jun 2026 15:30:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.917956
- Title: Interpretable Inverse Design of Metal-Organic Frameworks with Large Language Model Agents
- Title（参考訳）: 大規模言語モデルエージェントを用いた金属有機フレームワークの解釈可能な逆設計
- Abstract要約: 金属-有機フレームワーク(MOF)の逆設計では、プロパティラベルが高価であり、ほとんどの機械学習モデルは、構造が成功した理由をほとんど示さない広大な空間を探索する必要がある。
LLM4MOFは、言語モデルエージェントが化学を推論し、候補MOFを構築し、シミュレーションでそれらをテストするクローズドループフレームワークである。
- 参考スコア（独自算出の注目度）: 4.4997270313537845
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Inverse design of metal-organic frameworks (MOFs) requires searching a combinatorially vast space where property labels are expensive and most machine-learning models reveal little about why a structure succeeds. We introduce LLM4MOF, a closed-loop framework in which language-model agents reason about chemistry, build candidate MOFs, and test them in simulation, refining hypotheses over ten autonomous iterations. One agent proposes interpretable design hypotheses over metal nodes, linkers, pore geometry, and functional chemistry, and a second translates them into constraints that select candidate MOFs, each made of a metal node, organic linker, and matching topology. Each hypothesis is tested through four diagnostic beams that apply different subsets of its constraints, so comparing them shows whether geometry, chemistry, or metal choice drives performance. Even when blind to the global property landscape of databases, LLM4MOF concentrates its search on top-performing structures across six adsorption, separation, and electronic-structure tasks within 400 property evaluations. The same loop also generates new MOFs de novo and validates them in live simulation, where it adapts the geometry to each requested condition, outperforming random search and a genetic algorithm at roughly $1 per campaign. LLM4MOF shows that language-model agents can run interpretable, simulation-grounded inverse design without training a model per objective.
- Abstract（参考訳）: 金属-有機フレームワーク(MOF)の逆設計では、プロパティラベルが高価であり、ほとんどの機械学習モデルは、なぜ構造が成功するのかをほとんど明らかにしない、組合せ的に広大な空間を探索する必要がある。
LLM4MOFは、言語モデルエージェントが化学を推論し、候補MOFを構築し、シミュレーションでそれらをテストし、10回の自律的なイテレーションで仮説を精査するクローズドループフレームワークである。
あるエージェントは、金属ノード、リンカー、細孔形状、および機能化学上の解釈可能な設計仮説を提案し、第2のエージェントはそれらを候補MOF(それぞれ金属ノード、有機リンカー、および整合トポロジーからなる)を選択する制約に変換する。
それぞれの仮説は、その制約の異なるサブセットを適用する4つの診断ビームを通してテストされるので、それらと比較すると、幾何学、化学、金属の選択が性能を駆動するかどうかが示される。
LLM4MOFは、データベースのグローバルな資産景観に目を向けても、6つの吸着、分離、および400のプロパティ評価の電子構造タスクを含む、トップパフォーマンスの構造物の探索に集中している。
同じループが新たにMOFs de novoを生成し、それらをライブシミュレーションで検証し、要求された各条件にジオメトリを適用する。
LLM4MOFは、言語モデルエージェントが、目的ごとのモデルを訓練することなく、解釈可能でシミュレーションされた逆設計を実行できることを示す。
関連論文リスト
- Large language model agents accelerate inverse design of metal-organic frameworks for gas separation [23.696245113544524]
我々は,MOFid空間におけるガス分離MOFの閉ループ逆設計のための大規模モデルエージェントであるLEMO Agentを提案する。
LEMO Agentは言語ベースの候補生成とMOFidの標準化、明示的な妥当性確認、トランスフォーマーベースのプロパティ予測、構造化されたデザインメモリ、マルチ島探索を結合する。
論文 参考訳（メタデータ） (2026-07-12T04:18:36Z) - Speaking the Language of Science: Toward a General-Purpose Generative Foundation Model for the Natural Sciences [89.71422932447423]
LOGOSは、自然科学における異種タスクを統一する科学生成言語モデルである。
空間的接触パターンと制約パターンを離散トークンとして表現することにより、モデルは純粋にシーケンシャルな方法で複雑な構造的相互作用をキャプチャする。
多様なタスクにわたって、LOGOSは一貫してドメイン固有のベースラインにマッチまたは性能を向上する。
論文 参考訳（メタデータ） (2026-06-15T16:14:53Z) - MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents [57.28652712579434]
分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。
MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。
初期治療設計におけるケーススタディとして、MolLingoは、結合部位の幾何学と残基レベルのタンパク質コンテキストにおけるChemist Agentの推論を根拠にしている。
論文 参考訳（メタデータ） (2026-05-27T02:11:23Z) - Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
2つの軸に沿って組織された「レベルx法」の分類を導入します。
第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。
我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
論文 参考訳（メタデータ） (2026-04-24T17:48:47Z) - Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。
ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。
この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文 参考訳（メタデータ） (2026-01-25T04:23:34Z) - ALL-FEM: Agentic Large Language models Fine-tuned for Finite Element Methods [5.727939029920846]
ALL-FEMは、エージェントAIとドメイン固有で微調整されたLLMを統合した、FEniCSコード生成のための自律シミュレーションシステムである。
我々は、キュレートされたエキスパートコードと検索拡張マルチLLMパイプラインを組み合わせることで、1000以上の検証済みFEniCSスクリプトのコーパスを構築する。
我々のエージェントフレームワークは、微調整LDMを用いた特殊エージェントを編成し、問題をPDEとして定式化し、コードを生成し、結果を視覚化する。
論文 参考訳（メタデータ） (2026-01-08T21:25:59Z) - Hierarchical Multi-agent Large Language Model Reasoning for Autonomous Functional Materials Discovery [0.0]
電子構造推論におけるシミュレーションと理論のための材料エージェント(マスター)
MASTERでは、マルチモーダルシステムは自然言語を密度汎関数理論に変換し、高レベルの推論エージェントは戦略階層を通して発見を導く。
推論軌道は、サンプリングやセマンティックバイアスによって説明できない化学的根拠のある決定を示す。
論文 参考訳（メタデータ） (2025-12-15T22:08:18Z) - 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) - MOFGPT: Generative Design of Metal-Organic Frameworks using Language Models [5.417632175667162]
応用固有の性質を持つ金属有機フレームワーク(MOF)は、材料化学における中心的な課題である。
我々はMOFのデノボ設計のための強化学習型トランスフォーマーベースのフレームワークを提案する。
特性フィードバックをシーケンス生成に統合することにより、このモデルを合成可能でトポロジカルに有効なMOFに向けて駆動する。
論文 参考訳（メタデータ） (2025-05-30T20:09:11Z) - Building-Block Aware Generative Modeling for 3D Crystals of Metal Organic Frameworks [10.094982948231923]
金属-有機フレームワーク(MOF)は、無機ノード、有機エッジ、トポロジカルネットをプログラム可能な多孔質結晶に結合する。
既存のモデルは既知のビルディングブロックをリサイクルするか、小さなユニットセルに制限される。
本稿では,各ブロックの3次元全原子表現を学習するSE(3)同変拡散モデルであるビルディングブロック対応MOF拡散について紹介する。
論文 参考訳（メタデータ） (2025-05-13T13:02:28Z) - RFL: Simplifying Chemical Structure Recognition with Ring-Free Language [66.47173094346115]
化学構造を階層的に記述する新しいリング自由言語(RFL)を提案する。
RFLは複雑な分子構造を複数の部分に分解し、特異性と簡潔性の両方を保証する。
分子骨格と個々の環を段階的に予測する骨格生成モジュールからなる普遍的な分子骨格デコーダ(MSD)を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:29:32Z) - Inverse Design of Metal-Organic Frameworks Using Quantum Natural Language Processing [0.0]
本稿では、量子自然言語処理(QNLP)を用いて、ターゲット特性を持つ金属-有機系フレームワーク(MOF)を逆設計する可能性について検討する。
450の仮説MOF構造を細孔体積の4つの異なるクラスと、Henryの定数値$CO_2$に分類する。
量子回路の確率的性質に合わせて,多クラス分類モデルを開発した。
論文 参考訳（メタデータ） (2024-05-20T05:02:12Z)
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。