論文の概要: Chemical filters for ultra-high-throughput materials screening and generation

• arxiv url: http://arxiv.org/abs/2607.17910v1
• Date: Mon, 20 Jul 2026 13:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.620693
• Title: Chemical filters for ultra-high-throughput materials screening and generation
• Title（参考訳）: 超高出力材料スクリーニング・生成のための化学フィルタ
• Abstract要約: 本稿では, 生成材料発見の先駆けとして, 大規模化学規則をアルゴリズムとして再放送する化学演算子を紹介する。 オープンソースのSMACTパッケージ上に構築されたデータインフォームされた酸化状態モデルは、調整可能なしきい値を公開する。 本研究は酸化状態認識生成モデルの基礎を確立する。
• 参考スコア（独自算出の注目度）: 9.627197906011299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative artificial intelligence is rapidly transforming materials design by enabling de novo exploration of immense chemical spaces. Yet a large proportion of AI-generated compositions remain implausible, violating established chemical principles, which limits the reliability and interpretability of generative materials design. Here, we introduce a chemical validity operator that recasts heuristic chemical rules as a configurable algorithmic prior for evaluating and guiding generative materials discovery. Built on the open-source SMACT package, a data-informed oxidation-state model exposes tunable thresholds, allowing users to interpolate continuously between permissive and conservative chemical constraints, while supporting both exploratory and conservative materials-design workflows. Benchmarking six state-of-the-art generative models for inorganic crystals shows that most reproduce stoichiometry but under-represent realistic oxidation-state combinations, and that filtering removes compositions reliant on rarely observed oxidation states while preserving low-energy compounds near the convex hull. Beyond screening, the same operator can also serve as a reinforcement-learning reward, steering a latent diffusion model towards chemically grounded compositions. By encoding chemical heuristics and observations, this work establishes a foundation for oxidation-state-aware generative models.
• Abstract（参考訳）: 生成的人工知能は、巨大な化学空間のデ・ノボ探索を可能にすることによって、材料設計を急速に変革している。 しかし、AIが生成する多くの構成物は、既存の化学原理に反し、生成材料設計の信頼性と解釈性を制限している。 本稿では, ヒューリスティックな化学規則を, 生成材料発見の導出に先立って, 構成可能なアルゴリズムとして再放送する化学妥当性演算子を提案する。 オープンソースのSMACTパッケージ上に構築されたデータインフォームド酸化状態モデルは、調整可能なしきい値を公開することで、ユーザーは許容的および保守的な化学制約を継続的に補間し、探索的および保守的な材料設計ワークフローの両方をサポートすることができる。 無機結晶の6つの最先端生成モデルをベンチマークしたところ、ほとんどの場合、確率論を再現するが、現実的な酸化-状態の組み合わせを表現できないことが示され、濾過は、凸体近傍で低エネルギーの化合物を保存しながら、まれに観察された酸化状態に依存した組成物を除去する。 スクリーニング以外にも、同じオペレータが強化学習報酬として機能し、化学的に接地された組成に対して潜伏拡散モデルを操る。 化学ヒューリスティックスと観測を符号化することにより、酸化状態認識生成モデルの基礎を確立する。

関連論文リスト

• Reactivity-Informed Machine Learning for Performance Prediction and Design Space Exploration of Alkali-Activated Slag [0.0]
  これまでで最大の文献由来のアルカリ活性スラグデータセットをキュレートした。 3100以上の強度記録、155個の化学的に区別された破砕炉スラグと、前駆体化学、微細度、反応性を組み込んだ24の属性を含む。
  論文  参考訳（メタデータ） (2026-06-04T23:04:54Z)
• 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)
• Finetuning-Free Diffusion Model with Adaptive Constraint Guidance for Inorganic Crystal Structure Generation [7.4621033210394545]
  本稿では,適応的制約ガイダンスを用いた拡散モデルに基づく生成機械学習フレームワークを提案する。 本手法は, 無機化合物の古典的な例について検討し, 検証した。
  論文  参考訳（メタデータ） (2026-04-14T23:25:54Z)
• Inverse Design of Inorganic Compounds with Generative AI [0.0]
  ジェネレーティブAIは、逆設計を可能にすることを目的として、複合対プロパティ予測パラダイムをプロパティ対コモンジェネレーションに逆転させる。 このレビューは、分子から結晶まで幅広いシステムを考慮して、これらの課題がどのように対処されたかを分析する。 この分析は、無機化合物の完全複雑性に対処するデータ表現モデルパイプラインに対して、生成AIメソッドがどのように進化したかに焦点を当てている。
  論文  参考訳（メタデータ） (2026-04-11T16:37:38Z)
• A chemical language model for reticular materials design [5.537334577890515]
  直交化学における逆設計を可能にするブロック型化学言語モデルであるNexerra-R1を導入する。 完全なフレームワークを直接生成するのではなく、Nexerra-R1は分子構築ブロックのレベルで機能する。 そこで本研究では,サイリコで生成した未報告フレームワークCU-525の実験合成を提案する。
  論文  参考訳（メタデータ） (2026-03-20T18:05:44Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• 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)
• ChemNavigator: Agentic AI Discovery of Design Rules for Organic Photocatalysts [0.0]
  ChemNavigatorは、自律的に構造-プロパティ関係を導出するエージェントAIシステムである。 ケムナビゲーターは、フロンティア軌道エネルギーを管理する6つの統計的に重要な設計規則を自律的に特定した。
  論文  参考訳（メタデータ） (2026-01-23T07:44:28Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。