論文の概要: Do LLMs Truly Generalize in the Molecular Domain? A Perturbation-Based Analysis

• arxiv url: http://arxiv.org/abs/2607.01800v1
• Date: Thu, 02 Jul 2026 07:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.717674
• Title: Do LLMs Truly Generalize in the Molecular Domain? A Perturbation-Based Analysis
• Title（参考訳）: LLMは分子領域で完全に一般化するのか?摂動に基づく解析
• Abstract要約: 制御されたグラフ編集距離(GED)下でのトレーニング分子の構造変化を生成する分子摂動フレームワークを提案する。 分析の結果,1回の編集でも共通な分子課題に顕著な性能低下が生じ,局所信頼領域が狭く,構造変化に対する脆弱な感受性が明らかとなった。 また,制御構造摂動下でICTが頑健性を示すかどうかについても検討した。
• 参考スコア（独自算出の注目度）: 35.63799709687231
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) have recently shown promise in molecular discovery, yet a gap remains between their probabilistic nature over discrete sequential tokens and the rigid topological constraints of chemical space. This raises the question of whether molecular LLMs can generalize beyond the local neighborhoods induced by their sequence-based representations. To systematically investigate this question, we introduce a Molecular Perturbation framework that generates syntax-valid structural variants of training molecules under controlled Graph Edit Distance (GED) to probe the manifold regularity of molecular LLMs. Our analysis shows that even a single edit can cause substantial performance drops on common molecular tasks, revealing a narrow local trust region and fragile sensitivity to structural changes. Since similar molecules tend to exhibit similar properties, In-Context Tuning (ICT), which anchors predictions on structurally similar molecules, offers a natural way to mitigate such fragility. Our experiments also examine whether ICT confers robustness under controlled structural perturbations, and the results suggest that it can partially expand the local trust region and offer a promising direction for stabilizing molecular LLMs against structural variation.
• Abstract（参考訳）: 大規模言語モデル(LLM)は近年、分子発見において有望であることが示されているが、離散的なシーケンシャルトークンに対する確率的性質と化学空間の厳密な位相的制約との間にはギャップが残っている。 このことは、分子LLMが、その配列に基づく表現によって誘導される局所的な近傍を越えて一般化できるかどうかという問題を提起する。 この問題を体系的に研究するために、制御されたグラフ編集距離(GED)の下で、トレーニング分子の構文に有意な構造変化を生成する分子摂動フレームワークを導入し、分子LLMの多様体規則性を探索する。 分析の結果,1回の編集でも共通な分子課題に顕著な性能低下が生じ,局所信頼領域が狭く,構造変化に対する脆弱な感受性が明らかとなった。 類似した分子は同様の性質を示す傾向があるため、構造的に類似した分子の予測を固定するIn-Context Tuning(ICT)は、そのような不安定性を緩和する自然な方法を提供する。 また, 制御された構造摂動下でICTがロバスト性を与えるかどうかを調べた結果, 局所信頼領域を部分的に拡張し, 構造変化に対する分子LLMの安定化に有望な方向を示すことが示唆された。

関連論文リスト

• Structural Hierarchy and Geometry in Molecular Representation Learning [0.0]
  分子のBemis-Murcko足場を明示的にコードし、それを分子の埋め込みがモデルが学習するものを変えるのを監督するかどうかを調べた。 2つの強化強度の中で、足場を監督するモデルは、同一および構造的に関連付けられた足場の両方に応じて一貫して分子を編成する。
  論文  参考訳（メタデータ） (2026-08-30T16:34:17Z)
• 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)
• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• $\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
  分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。 実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-12T05:46:47Z)
• Structural Reasoning Improves Molecular Understanding of LLM [18.532188836688928]
  大規模言語モデル (LLM) は分子構造情報を用いた推論に依然として苦戦していることを示す。 本稿では,分子構造を推論のためにスケッチする手法を提案する。 対象分子が未知あるいは未知のシナリオのための2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:49:48Z)
• LDMol: A Text-to-Molecule Diffusion Model with Structurally Informative Latent Space Surpasses AR Models [55.5427001668863]
  テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。 実験の結果, LDMolはテキストから分子生成ベンチマークにおいて, 既存の自己回帰ベースラインよりも優れていた。 我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
  論文  参考訳（メタデータ） (2024-05-28T04:59:13Z)
• Multi-channel learning for integrating structural hierarchies into context-dependent molecular representation [10.025809630976065]
  本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。 提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2023-11-05T23:47:52Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)

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。