論文の概要: OLEDLM: A Unified Language Model for OLED Molecular Design

• arxiv url: http://arxiv.org/abs/2607.20194v1
• Date: Wed, 22 Jul 2026 14:16:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.109746
• Title: OLEDLM: A Unified Language Model for OLED Molecular Design
• Title（参考訳）: OLEDLM:OLED分子設計のための統一言語モデル
• Authors: Fukang Wen, Yuchong Tang, Jingyuan Li, Beichen Wang, Yixuan Jiang, Xiaoyi Jiang, Yaxuan Liu, Shunyu Wang, Zuoqiang Shi, Yi Zhu, Yanan Zhu, Pipi Hu,
• Abstract要約: 本稿では、OLED SMILESシーケンスを生成するために、因果言語モデルに基づく逆分子設計フレームワークを提案する。 このフレームワークは、OLED化学空間を効率的にナビゲートし、高い構造的妥当性と最適化された光電子特性を持つ新しい候補を生成する。
• 参考スコア（独自算出の注目度）: 18.45420357108133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of organic light-emitting diode (OLED) materials faces the compounded challenges of an astronomically large chemical space, stringent quantum-chemical constraints, and a scarcity of labeled data. Although the question of OLED generation is important, few models have been trained effectively for this specific domain. We propose an inverse molecular design framework based on causal language models: given target optoelectronic properties (e.g., excitation energy, oscillator strength), our model directly generates OLED SMILES sequences satisfying the specified constraints. We employ a multi-stage strategy: first, we establish a foundational chemical language model using a LLaMA-style transformer architecture. To the best of our knowledge, this represents the first successful adaptation of LLMs specifically for the OLED domain, bridging the gap between generic molecular generation and the stringent structural requirements of optoelectronic materials. Second, we fine-tune property predictors based on a BERT model pre-trained on our large-scale OLED dataset. Then, we perform Reinforcement Learning on our fine-tuned model, leveraging our property predictor, for better SMILES generation. Finally, through DFT verification, we demonstrate that our framework can efficiently navigate the OLED chemical space, generating novel candidates with high structural validity and optimized optoelectronic properties.
• Abstract（参考訳）: 有機発光ダイオード(OLED)材料の開発は、天文学的に大きな化学空間、厳密な量子化学制約、ラベル付きデータの不足といった複雑な課題に直面している。 OLED生成の問題は重要であるが、この特定の領域に対して効果的に訓練されたモデルはほとんどない。 目的光電子特性(例えば、励起エネルギー、発振器強度)が与えられた場合、その制約を満たすOLED SMILESシーケンスを直接生成する。 まず,LLaMA型トランスフォーマーアーキテクチャを用いた基礎化学言語モデルを構築した。 我々の知る限りでは、これは有機分子生成と光電子材料の厳密な構造要求とのギャップを埋めて、OLEDドメインに特化してLSMを初めて適用したことを意味する。 第2に、大規模OLEDデータセットに基づいて事前トレーニングされたBERTモデルに基づいて、プロパティ予測を微調整する。 そして、我々は、より優れたSMILES生成のために、プロパティ予測器を活用する微調整モデルを用いて強化学習を行う。 最後に、DFT検証により、我々のフレームワークがOLED化学空間を効率的にナビゲートし、高い構造的妥当性と最適化された光電子特性を持つ新しい候補を生成することを実証する。

関連論文リスト

• Atomistic Language Models Understand and Generate Materials [4.0674327089133175]
  我々は、ネイティブなマルチモーダリティを追求するために、Atomistic Language Models (ALMs)を導入します。 単一の言語のバックボーンは、原子構造を理解し、自然言語から材料を生成する。 ALMは結晶構造予測とデノボ生成の最先端の結果を得る。
  論文  参考訳（メタデータ） (2026-06-19T13:01:45Z)
• 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)
• Empowering LLMs for Structure-Based Drug Design via Exploration-Augmented Latent Inference [5.052013621974765]
  大言語モデル(LLM)は、表現力と推論能力を持っているが、構造に基づく薬物設計(SBDD)への応用は、タンパク質構造や予測不可能な分子生成の理解が不十分なため制限されている。 本研究では,LLM生成過程を符号化,遅延空間探索,復号化ワークフローとして再解釈するフレームワークであるELILLM(Exploration-Augmented Latent Inference for LLMs)を提案する。 ELILLMは、デコードモジュールを使用して、よく知られた領域を処理し、化学的に有効で合成学的に合理的な分子を生成することで、モデル現在の知識を超えた設計問題の部分を明示的に探求する。
  論文  参考訳（メタデータ） (2026-01-20T08:10:48Z)
• Accelerating Materials Design via LLM-Guided Evolutionary Search [12.872214023537898]
  LLM-Guided Evolution for Materials Design (LLEMA) について述べる。 大規模言語モデルに埋め込まれた科学的知識と、化学インフォームド進化規則とメモリベースの洗練とを結びつける。 電子、エネルギー、コーティング、光学、航空宇宙にまたがる14の現実的なタスクを 評価しました
  論文  参考訳（メタデータ） (2025-10-26T02:47:15Z)
• PLaID++: A Preference Aligned Language Model for Targeted Inorganic Materials Design [0.1408690282236036]
  安定かつ特性誘導型結晶生成のためのLLMポストトレーニングであるPLaID++を紹介する。 結晶学的な表現と報酬の定式化にパフォーマンスのヒンジがあることがわかった。
  論文  参考訳（メタデータ） (2025-09-08T18:57:57Z)
• Speed Always Wins: A Survey on Efficient Architectures for Large Language Models [51.817121227562964]
  大規模言語モデル(LLM)は、言語理解、生成、推論、マルチモーダルモデルの能力境界の押し付けにおいて、素晴らしい結果をもたらしている。 トランスフォーマーモデルは、現代のLLMの基礎として、優れたスケーリング特性を備えた強力なベースラインを提供する。 従来のトランスフォーマーアーキテクチャは、相当な計算を必要とし、大規模なトレーニングと実践的なデプロイメントに重大な障害を生じさせる。
  論文  参考訳（メタデータ） (2025-08-13T14:13:46Z)
• LEDOM: An Open and Fundamental Reverse Language Model [100.50724471864775]
  最初の純粋逆言語モデルであるLEDOMを導入し,2Bおよび7Bパラメータの435Bトークンに対して自己回帰訓練を行った。 本稿では, 一般的なタスクにまたがる基盤モデルとして, 興味深い事例と洞察のセットを伴って, 逆言語モデルを提示する。 LEDOMをベースにした新しいアプリケーションであるReverse Rewardを紹介します。
  論文  参考訳（メタデータ） (2025-07-02T03:52:00Z)
• Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [53.81190146434045]
  テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。 我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。 テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
  論文  参考訳（メタデータ） (2024-02-06T20:35:28Z)
• LLM4EDA: Emerging Progress in Large Language Models for Electronic Design Automation [74.7163199054881]
  大規模言語モデル(LLM)は、文脈理解、論理推論、回答生成においてその能力を実証している。 本稿では,EDA分野におけるLLMの応用に関する系統的研究を行う。 論理合成,物理設計,マルチモーダル特徴抽出,回路のアライメントにLLMを適用することに焦点を当て,今後の研究の方向性を強調した。
  論文  参考訳（メタデータ） (2023-12-28T15:09:14Z)

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。