論文の概要: NMR Elucidation as an Agentic Search Problem, Not a Modeling Problem
- arxiv url: http://arxiv.org/abs/2607.19406v1
- Date: Tue, 07 Jul 2026 22:05:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.923961
- Title: NMR Elucidation as an Agentic Search Problem, Not a Modeling Problem
- Title（参考訳）: エージェント探索問題としてのNMRの解明 -モデリング問題ではなく-
- Abstract要約: 核磁気共鳴データからの構造解明は、化学、材料科学、生物学における根本的なボトルネックとなっている。
我々はエージェントAIシステムが、大学院レベルの化学生に匹敵するレベルでこのタスクを実行できることを実証した。
エージェントは,トップ1の精度が71%である構造を解明し,その精度は66%の大学生に匹敵する。
- 参考スコア（独自算出の注目度）: 3.8929079574413508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structural elucidation from Nuclear Magnetic Resonance (NMR) data remains a fundamental bottleneck across chemistry, materials science, and biology. We demonstrate that an agentic AI system can perform this task at a level comparable to graduate-level chemistry students. Instead of training a model to directly map spectra to structures, we build a single autonomous agent, backed by a frozen LLM, that interacts with a curated environment with access to domain-specific processing tools, validation checks, tabulated chemical shifts, and instructions that outline the stepwise nature of a chemist's thinking process. On the Alberts dataset, our agent elucidates structures with a top-1 accuracy of 71%, comparable to the performance of graduate students at 66% top-1 accuracy. On the van Bramer and AstraZeneca datasets, our agent achieved 80% and 20% top-1 accuracy respectively, outperforming zero-shot end-to-end deep learning models which were trained on large datasets of simulated spectra. These results show that reframing NMR elucidation as an LLM-guided constrained search, rather than a modeling task, yields substantial gains and suggests a path toward multi-step orchestration frameworks that integrate a variety of tools, models, and domain knowledge to assist in automating spectroscopic analysis.
- Abstract（参考訳）: 核磁気共鳴(NMR)データからの構造解明は、化学、材料科学、生物学において根本的なボトルネックとなっている。
我々はエージェントAIシステムが、大学院レベルの化学生に匹敵するレベルでこのタスクを実行できることを実証した。
モデルをトレーニングして、構造に直接スペクトルをマッピングする代わりに、凍結したLCMによって支援された単一の自律エージェントを構築します。これは、ドメイン固有の処理ツール、検証チェック、集計された化学シフト、化学者の思考プロセスの段階的な性質を概説するインストラクションへのアクセスによって、キュレーションされた環境と相互作用します。
アルバーツデータセットでは、上位1の精度が71%で、上位1の精度が66%の大学院生の成績に匹敵する構造を解明する。
van BramerとAstraZenecaのデータセットでは、エージェントがそれぞれ80%と20%のトップ-1の精度を達成した。
これらの結果は、NMRの解法をモデリングタスクではなくLLM誘導の制約付き探索として捉えることで、かなりの利得が得られることを示し、様々なツール、モデル、ドメイン知識を統合して分光分析の自動化を支援する多段階オーケストレーションフレームワークへの道筋を示唆している。
関連論文リスト
- From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities [103.60384544335072]
大規模言語モデル(LLM)は、エンドツーエンドの数学的推論からエージェントインテリジェンスの統合へと進化している。
本フレームワークは,問題解決エージェントの挙動を,再利用可能な数学的原子能力の構造化された分類法と整合させる。
実験により、同様のエンドツーエンドの精度を持つモデルでは、エージェント能力プロファイルが著しく異なることが判明した。
論文 参考訳（メタデータ） (2026-08-27T10:52:06Z) - DASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model Discovery [0.0]
大規模言語モデル(LLM)は、ドメインの専門知識を運動モデル発見に注入するための、有望な道を提供する。
本研究の枠組みは, 複雑化, 不均一性, バイオプロセスにまたがる4つのシリコケーススタディで評価された。
結果として、LLM誘導フレームワークは、最先端のSRフレームワークに対して、411.7-79.3%の価格で基幹モデルを特定するためのイテレーションを削減している。
論文 参考訳（メタデータ） (2026-08-05T17:48:45Z) - An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。
近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。
本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文 参考訳（メタデータ） (2025-12-22T15:03:57Z) - ChemOrch: Empowering LLMs with Chemical Intelligence via Synthetic Instructions [52.79349601462865]
ChemOrchは化学的に接地した命令応答対を合成するフレームワークである。
ChemOrchは、生成したタスクに対して、制御可能な多様性と難易度を実現する。
論文 参考訳（メタデータ） (2025-09-20T05:43:58Z) - A Multi-Agent System Enables Versatile Information Extraction from the Chemical Literature [8.306442315850878]
我々は,堅牢かつ自動化された化学情報抽出のためのマルチモーダル大規模言語モデル (MLLM) ベースのマルチエージェントシステムを開発した。
文献から得られた高精細なマルチモーダル化学反応画像のベンチマークデータセットにおいて,本システムは80.8%のF1スコアを達成した。
論文 参考訳（メタデータ） (2025-07-27T11:16:57Z) - 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) - CheMatAgent: Enhancing LLMs for Chemistry and Materials Science through Tree-Search Based Tool Learning [12.745398618084474]
大規模言語モデル(LLM)は、最近化学タスクにおいて有望な能力を実証した。
本稿では,基本的な情報検索から複雑な反応予測まで,137種類の外部化学ツールを統合したLCMエージェントを提案する。
論文 参考訳（メタデータ） (2025-06-09T08:41:39Z) - DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。
本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。
DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
論文 参考訳（メタデータ） (2025-05-20T05:18:15Z) - Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond [38.32974480709081]
機械学習(ML)と人工知能(AI)の急速な出現は、化学に大きな変革をもたらした。
分光・分光データへのこれらの手法の適用は、分光機械学習(SpectraML)と呼ばれるが、いまだに研究が進んでいない。
我々はSpectraMLの統一的なレビューを行い、フォワードタスクと逆タスクの両方に対する最先端のアプローチを体系的に検証する。
論文 参考訳（メタデータ） (2025-02-14T04:07:25Z) - How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。
また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
論文 参考訳（メタデータ） (2024-12-12T18:20:16Z) - Star-Agents: Automatic Data Optimization with LLM Agents for Instruction Tuning [71.2981957820888]
本稿では,データセット間のデータ品質向上を自動化する新しいStar-Agentsフレームワークを提案する。
このフレームワークは最初,複数のLDMエージェントを用いた多様なインストラクションデータを生成する。
生成したデータは、難易度と品質の両方を評価する二重モデル法を用いて厳密な評価を行う。
論文 参考訳（メタデータ） (2024-11-21T02:30:53Z)
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。