論文の概要: Data Fusion and Contrastive Alignment for Unconstrained IR Molecular Structure Elucidation

• arxiv url: http://arxiv.org/abs/2607.26164v1
• Date: Tue, 28 Jul 2026 18:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.448527
• Title: Data Fusion and Contrastive Alignment for Unconstrained IR Molecular Structure Elucidation
• Title（参考訳）: 非拘束IR分子構造解明のためのデータフュージョンとコントラストアライメント
• Abstract要約: 従来のエンコーダ・デコーダ変換器のキー変更を提案し,評価する。 非付加的なアグリゲーションを利用する新しいMixture-of-Experts (MoE)デコーダモジュールを実装した。 これらの拡張により、ベースラインIRのみのモデルと比較してトップK予測精度が10ポイント以上向上した。
• 参考スコア（独自算出の注目度）: 0.8251361103779816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated molecular structure elucidation from infrared (IR) spectroscopy data has seen significant advancements in recent years, but its broad applicability is limited by a reliance on pre-determined chemical formulas provided as auxiliary model inputs. This limits model predictions to isomer identification rather than full molecular structure prediction. Although transformer models have been shown to identify molecular isomers with high accuracy, their reliability for unconstrained structure elucidation is comparatively low and poorly understood. In this work, we propose and evaluate key modifications to the traditional encoder-decoder transformer. To better address the vast chemical space of the unconstrained problem, we implement a novel Mixture-of-Experts (MoE) decoder module that utilizes non-additive aggregation via linear-order statistics and the Choquet integral. We further modify the transformer to utilize these non-additive operators when aggregating spectral representations as well. Together with an auxiliary contrastive alignment loss term, these enhancements improve Top-K prediction accuracy by over 10 percentage points compared to baseline IR-only models. Through sub-structure fragment analysis of molecular predictions, we further confirm that infrared spectra encode the vast majority of relevant chemical information, implying that the higher performance of isomer-ranking models is largely due to underrepresented or overlapping absorption bands for molecules in the explored chemical space. Ultimately, by demonstrating the efficacy of automated molecular structure elucidation from measured IR spectra, this work serves to significantly broaden the utility of AI in analytical chemistry.
• Abstract（参考訳）: 近年,赤外分光法(IR)データから自動的に分子構造を解明する手法が注目されているが,その適用性は,補助モデル入力として提供される化学式に依存することにより制限されている。 これにより、モデル予測は完全な分子構造予測よりも異性体同定に制限される。 トランスモデルは高い精度で分子異性体を同定することが示されているが、非拘束構造解明のための信頼性は比較的低く、よく理解されていない。 本研究では,従来のエンコーダ・デコーダ変換器のキー変更を提案する。 そこで我々は, 線形次数統計とチョーケ積分による非加法的アグリゲーションを利用した新しいMixture-of-Experts (MoE)デコーダモジュールを実装した。 さらに、スペクトル表現を集約する際には、これらの非加法演算子を利用するように変換器を改良する。 これらの拡張は、補助的なコントラストアライメント損失項とともに、ベースラインIRのみのモデルと比較して、トップK予測精度を10ポイント以上改善する。 分子予測のサブ構造的断片解析を通じて、赤外スペクトルが関連する化学情報の大部分をコードしていることをさらに確認し、異性体級モデルのより高い性能は、探索された化学空間における分子の過度に表現された、あるいは重なり合う吸収帯によるものであることを示唆する。 最終的に、測定されたIRスペクトルから自動分子構造解明の有効性を示すことで、この研究は分析化学におけるAIの有用性を大幅に拡張するのに役立つ。

関連論文リスト

• Towards Reasonable Molecular Structure Elucidation from Infrared Spectroscopy with Chemical Feedback [6.16461455248325]
  そこで本研究では,分子構造解明のための汎用的,プラグアンドプレイな化学フィードバック駆動の選好最適化フレームワークを提案する。 FIRMPOは、正確な分子式マッチングとIRスペクトル一貫性に基づいて、化学フィードバックを選好信号として組み込んで、合理的な構造予測を導く。 広範に使用されている3つのIRデータセットの実験により、FIRMPOは既存のベースラインよりも分子構造解明の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-08-17T04:26:12Z)
• Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent [14.26731930385033]
  核磁気共鳴分光法は分子構造解明の金標準である。 データベース検索は、新しい足場を特定できない。 本稿では,大規模言語モデルを用いたNMRAgentについて述べる。
  論文  参考訳（メタデータ） (2026-06-29T04:38:01Z)
• SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
  直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。 我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。 マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
  論文  参考訳（メタデータ） (2026-05-26T13:28:57Z)
• 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)
• 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)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• A Universal Deep Learning Force Field for Molecular Dynamic Simulation and Vibrational Spectra Prediction [24.66572813199126]
  我々は、スペクトル予測のための機械学習分子動力学(MLMD)シミュレーションを可能にするために、深部等変テンソルアテンションネットワーク(DetaNet)とベロシティ・バーレット積分器を統合する。 DetaNetベースのMD手法は,AIMDよりも最大3桁のスピードアップで,ほぼ実験的なスペクトル精度を実現する。 全体として、この研究は、高速で正確で広く適用可能な動的シミュレーションとIR/Ramanスペクトル予測を可能にする、普遍的な機械学習力場とフレームワークを確立する。
  論文  参考訳（メタデータ） (2025-10-05T14:36:33Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Infrared Spectra Prediction for Diazo Groups Utilizing a Machine Learning Approach with Structural Attention Mechanism [0.0]
  赤外分光法は、分子構造や力学を振動や回転の遷移を通じて解明する化学研究において重要な技術である。 本稿では、特にジアゾ化合物の赤外スペクトルの予測と解釈を強化するために、構造的注意機構を用いた機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T15:44:43Z)
• 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)

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。