論文の概要: SpecCal: Ambiguity-Aware Candidate Calibration for Infrared Spectrum-Based Molecular Structure Reconstruction
- arxiv url: http://arxiv.org/abs/2607.27788v1
- Date: Thu, 30 Jul 2026 07:21:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.441929
- Title: SpecCal: Ambiguity-Aware Candidate Calibration for Infrared Spectrum-Based Molecular Structure Reconstruction
- Title（参考訳）: SpecCal:赤外スペクトルに基づく分子構造再構成のための曖昧性を考慮した候補校正
- Abstract要約: 赤外線スペクトルから分子構造を推定することは根本的な問題であるが、難しい問題である。
IR-to-molecule予測のためのトレーニング不要候補キャリブレーションフレームワークであるSpecCalを提案する。
- 参考スコア（独自算出の注目度）: 7.290523865260595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring molecular structures from infrared (IR) spectra is a fundamental yet challenging problem. A key difficulty is that an IR spectrum provides limited structural information: different molecules may share similar functional groups and local vibrational patterns, leading to highly similar spectral responses. Thus, even when an observed spectrum has a unique underlying structure, reconstructing it from the spectrum remains ambiguous. Existing IR-to-molecule models usually generate a ranked set of candidate molecules, but this set is largely determined by the model's learned generation preference and may not fully capture the structures that best satisfy the observed spectral constraints. To address this limitation, we propose SpecCal, a training-free candidate calibration framework for IR-to-molecule prediction. SpecCal operates on the candidate outputs of existing base models and improves the prediction set by re-ranking current candidates while introducing additional structurally plausible alternatives guided by spectral consistency. The framework is plug-and-play and model-agnostic, requiring no parameter updates for integration with diverse base models. Experiments on multiple benchmarks show that SpecCal consistently improves top-k reconstruction at both SMILES and scaffold levels across different base models. Further analyses demonstrate that calibrating candidate sets under spectral ambiguity provides a practical way to improve molecular reconstruction from IR spectra. The code is available at: https://anonymous.4open.science/r/SpecCal-B18A.
- Abstract（参考訳）: 赤外線スペクトルから分子構造を推定することは根本的な問題であるが、難しい問題である。
重要な難点は、IRスペクトルが限られた構造情報を提供することである:異なる分子は類似の官能基と局所的な振動パターンを共有し、非常に類似したスペクトル応答をもたらす。
したがって、観測されたスペクトルが固有の基盤構造を持つ場合でも、スペクトルから再構成することはあいまいである。
既存のIR-to-moleculeモデルは通常、ランク付けされた候補分子の集合を生成するが、この集合はモデルが学習した生成の好みによって決定され、観測されたスペクトルの制約を最も満たす構造を完全には捉えられない。
この制限に対処するため,IR-to-molecule予測のためのトレーニング不要候補校正フレームワークであるSpecCalを提案する。
SpecCalは既存のベースモデルの候補出力を運用し、スペクトル整合性によって導かれる構造的に妥当な代替手段を導入しながら、現在の候補を再ランク付けすることで、予測セットを改善する。
このフレームワークはプラグアンドプレイでモデルに依存しないため、多様なベースモデルと統合するためのパラメータ更新は不要である。
複数のベンチマークの実験によると、SpecCalはSMILESとさまざまなベースモデルにわたる足場レベルのトップk再構成を一貫して改善している。
さらに分析したところ、スペクトルあいまいさ下での候補集合の校正は、IRスペクトルから分子再構成を改善する実用的な方法であることが示された。
コードはhttps://anonymous.4open.science/r/SpecCal-B18Aで公開されている。
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) - Data Fusion and Contrastive Alignment for Unconstrained IR Molecular Structure Elucidation [0.8251361103779816]
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。
論文 参考訳（メタデータ） (2026-07-28T18:15:46Z) - Integrating Bayesian Spectral Deconvolution and Expert Scientific Reasoning for Robust Peak Estimation [0.46141109426698784]
スペクトルデコンボリューションを専門的な科学的推論と統合する枠組みを提案する。
我々は、高強度ノイズや未知の背景を持つ合成スペクトルを用いて、その枠組みを検証する。
論文 参考訳（メタデータ） (2026-05-17T16:03:13Z) - Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models [0.6487259764989486]
本研究では、スペクトル分類器をエキスパートインフォームドスペクトルゾーンで説明する、ポストホックでグローバルなモデルに依存しないXAIフレームワークであるスペクトルモデルeXplainer(SMX)を紹介する。
SMXはPCAを介して各ゾーンを要約し、量子ベースの論理述語を定義し、摂動による関係を推定し、有向重み付きグラフでバッグワイズランキングを集計する。
論文 参考訳（メタデータ） (2026-05-04T15:01:04Z) - 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) - DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。
我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
論文 参考訳（メタデータ） (2025-07-09T13:57:20Z) - CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。
スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。
本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
論文 参考訳（メタデータ） (2025-04-27T13:06:40Z) - 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) - SpectralNeRF: Physically Based Spectral Rendering with Neural Radiance
Field [70.15900280156262]
本稿では,新しいスペクトルの観点から,高品質な物理ベースレンダリングのためのエンドツーエンドニューラルラジアンスフィールド(NeRF)アーキテクチャを提案する。
スペクトルNeRFは、合成データセットと実データセットの新しいビューを合成する際に、最近のNeRFベースの方法よりも優れている。
論文 参考訳（メタデータ） (2023-12-14T07:19:31Z) - MST++: Multi-stage Spectral-wise Transformer for Efficient Spectral
Reconstruction [148.26195175240923]
効率的なスペクトル再構成のためのマルチステージスペクトル変換器(MST++)を提案する。
NTIRE 2022 Spectral Reconstruction Challengeでは、私たちのアプローチが優勝しました。
論文 参考訳（メタデータ） (2022-04-17T02:39:32Z) - Persistent spectral based machine learning (PerSpect ML) for drug design [0.0]
薬物設計のための永続スペクトルベース機械学習(PerSpect ML)モデルを提案する。
我々は、11の永続スペクトル変数を考慮し、タンパク質-リガンド結合親和性予測における機械学習モデルの特徴として利用する。
これらのデータベースに対する私たちの結果は、知る限り、既存のすべてのモデルよりも優れています。
論文 参考訳（メタデータ） (2020-02-03T07:14:21Z)
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。