論文の概要: Large language model agents accelerate inverse design of metal-organic frameworks for gas separation
- arxiv url: http://arxiv.org/abs/2607.10559v1
- Date: Sun, 12 Jul 2026 04:18:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.46791
- Title: Large language model agents accelerate inverse design of metal-organic frameworks for gas separation
- Title（参考訳）: 大規模言語モデルエージェントはガス分離のための金属-有機フレームワークの逆設計を加速する
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 23.696245113544524
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Metal-organic frameworks (MOFs) offer a highly modular platform for adsorptive gas separation, yet their vast reticular design space makes inverse design difficult under simultaneous constraints of chemical validity, separation performance, and structural diversity. Here, we present LEMO Agent, a large-language-model agent framework for closed-loop inverse design of gas-separation MOFs in MOFid space. LEMO Agent couples language-based candidate generation with MOFid standardization, explicit validity checking, Transformer-based property prediction, structured design memory, and multi-island exploration. Through iterative generate--validate--evaluate--remember cycles, the agent uses feedback from both successful and failed candidates to guide chemically constrained search across linker, metal, and topology choices. We evaluate LEMO Agent on CH$_4$/N$_2$ and CO$_2$/N$_2$ separation tasks. Compared with representative generative, optimization, and agentic baselines, LEMO Agent enriches high-performing candidates, improves predicted separation performance, and maintains broad chemical and topological diversity. Selected candidates are further reconstructed, evaluated by GCMC simulations, and passed through an experimental down-selection workflow based on chemical feasibility and ligand purchasability, leading to initial wet-lab synthesis and SEM characterization. These results demonstrate that large language model agents can serve as interpretable and scalable design engines for accelerating MOF discovery beyond conventional fixed-library screening.
- Abstract（参考訳）: 金属有機フレームワーク(MOF)は、吸着性ガス分離のための高度にモジュール化されたプラットフォームを提供するが、その広大な構造的設計空間は、化学的妥当性、分離性能、構造的多様性の同時的制約の下で逆設計を困難にしている。
ここでは,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言語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。
繰り返し生成-バリデート-評価--記憶サイクルを通じて、エージェントは成功と失敗の両方の候補からのフィードバックを使用して、リンカー、金属、トポロジーの選択を越えて化学的に制約された探索を誘導する。
LEMO Agent on CH$_4$/N$_2$ and CO$_2$/N$_2$ separation task。
代表的生成、最適化、エージェントベースラインと比較すると、LEMOエージェントは高い性能の候補を豊かにし、予測された分離性能を改善し、幅広い化学的およびトポロジカルな多様性を維持する。
選択された候補はさらに再構成され、GCMCシミュレーションにより評価され、化学的実現可能性とリガンド精製性に基づく実験的なダウンセレクションワークフローを通過し、初期湿式合成とSEMのキャラクタリゼーションをもたらす。
これらの結果から,大規模な言語モデルエージェントは,従来の固定ライブラリスクリーニング以上のMOF発見を高速化するための,解釈可能でスケーラブルな設計エンジンとして機能することが示された。
関連論文リスト
- FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations [66.32852384262038]
混合整数プログラミング(MIP)は、運用研究と産業最適化の核心にある。
FormuEvoは、解法効率のMIP式の自動発見のための進化的フレームワークである。
FormuEvoは、MIP定式化のシンボル空間上の進化的最適化として、MIP定式化設計を行う。
論文 参考訳（メタデータ） (2026-08-24T15:01:28Z) - Interpretable Inverse Design of Metal-Organic Frameworks with Large Language Model Agents [4.4997270313537845]
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。
論文 参考訳（メタデータ） (2026-06-28T15:30:13Z) - 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) - ChemVA: Advancing Large Language Models on Chemical Reaction Diagrams Understanding [56.94419746470799]
大規模言語モデル (LLM) は、科学的なテキスト処理に革命をもたらしたが、化学反応図を解釈する際には、大きな能力ギャップが現れる。
本稿では,視覚アンカー機構を用いたケミカルビジュアルアクティベーション(ChemVA)フレームワークを提案する。
我々は,高密度な視覚・セマンティックな文脈を特徴とする新たに構築されたデータセットであるOCRD-Benchに対するアプローチを評価する。
論文 参考訳（メタデータ） (2026-05-17T01:12:50Z) - 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) - Generative Multi-Objective Bayesian Optimization with Scalable Batch Evaluations for Sample-Efficient De Novo Molecular Design [1.8517039579627974]
この研究は、デ・ノボ分子設計/発見のための代替的なモジュラーな「世代最適化」フレームワークを導入する。
我々は、最先端の潜在空間と離散的な分子最適化法に対して、このフレームワークをベンチマークする。
具体的には、持続的なエネルギー貯蔵に関するケーススタディにおいて、我々のアプローチは、新規で多種多様で高性能な有機(キノン系)陰極材料を迅速に発見することを示した。
論文 参考訳（メタデータ） (2025-12-19T14:59:27Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - The Rise of Generative AI for Metal-Organic Framework Design and Synthesis [11.906896137135897]
生成人工知能の進歩は、金属-有機フレームワーク(MOF)の設計と発見の仕方を変えつつある。
このパースペクティブは、MOF候補の厳格な列挙から、オンデマンドで新しい多孔質構造体を自律的に提案、合成できる生成的アプローチへの移行を導入する。
論文 参考訳（メタデータ） (2025-08-15T21:49:17Z) - 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)
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。