論文の概要: PolymerGPT: Multi-property Optimization with a Decoder-Based GPT Model for Generative Polymer Design

• arxiv url: http://arxiv.org/abs/2608.01431v1
• Date: Sun, 02 Aug 2026 18:26:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.239714
• Title: PolymerGPT: Multi-property Optimization with a Decoder-Based GPT Model for Generative Polymer Design
• Title（参考訳）: PolymerGPT:生成高分子設計のためのデコーダベースGPTモデルによる多目的最適化
• Abstract要約: PolymerGPTはデコーダベースのGPTモデルであり、最大37個の一般的なポリマー特性を生成過程に組み込む。 実験の結果,PolymerGPTは非条件生成および条件生成において例外的な性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 4.3070892829661345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polymer property prediction and inverse generative design targeting desired properties are two crucial tasks in machine learning-assisted polymer design. While the former has received considerable attention, there have been limited methods developed for the latter. Existing methods focus on single-property optimization in the generative process, whereas accurate prediction of macroscopic material behavior requires simultaneous control of multiple physical properties. In this paper, we provide a transformative framework for direct optimization of a large collection of polymer properties. We propose PolymerGPT, a decoder-based GPT model that incorporates up to 37 commonly used polymer properties into the generative process via learned conditioning prefixes. It also supports a scaffold condition that specifies a desired scaffold for predicted structures. Our experimental results demonstrate that PolymerGPT achieves exceptional performance for unconditional and conditional generation while maintaining high validity, uniqueness, and novelty. Conditioning on five key properties yields generated structures whose predicted values closely match all target properties simultaneously.
• Abstract（参考訳）: 目的とする特性をターゲットとした高分子特性予測と逆生成設計は、機械学習支援高分子設計において2つの重要な課題である。 前者は注目されているが、後者のために開発された手法は限られている。 既存の手法は生成過程における単一プロパティ最適化に重点を置いているが、マクロな物質挙動の正確な予測には複数の物理的特性の同時制御が必要である。 本稿では,高分子の集合体を直接最適化するための変換フレームワークを提案する。 本稿では,デコーダをベースとしたGPTモデルであるPolymerGPTを提案する。 また、予測された構造に対して望ましい足場を指定する足場条件もサポートする。 実験の結果,PolymerGPTは高い妥当性,特異性,新規性を保ちながら,無条件・条件生成に優れた性能を発揮することが示された。 5つのキー特性の条件付けにより、予測値が全てのターゲット特性と同時に一致した生成された構造が得られる。

関連論文リスト

• Molecular representation shapes the balance between target fidelity and exploration in flow based polymer generation [3.734794025729047]
  PolyLatentFlowは、非条件および条件付きポリマー生成のための潜在空間における連続時間フローマッチングに基づくフレームワークである。 LlamaUniは、高分子配列と3次元構造情報を組み合わせたマルチモーダル表現である。
  論文  参考訳（メタデータ） (2026-09-10T20:39:37Z)
• HiPoly: a hierarchical polymer-native AI framework for property prediction and generative design [2.5787479220592155]
  HiPolyは、完全なポリマー記述を3レベルの階層グラフアーキテクチャを通して処理する、ポリマーネイティブなAIフレームワークである。 モノマー間の接続、組成、分子量を直接アーキテクチャ内でコードする。 本稿では,多成分高分子系の熱物性に対する最先端予測精度を実証し,各階層設計選択がモデル性能に独立して寄与することを確認する。
  論文  参考訳（メタデータ） (2026-09-02T15:48:11Z)
• PolyJarvis: LLM Agent for Autonomous Polymer MD Simulations [49.024137619510526]
  我々は,大規模な言語モデル(LLM)とRadonPyシミュレーションプラットフォームを結合するエージェントであるPolyJarvisを紹介する。 ポリマー名またはSMILES文字列が与えられた後、PolyJarvisはモノマーの構築、電荷割り当て、重合、力場パラメータ化、特性計算を自律的に実行する。 その結果, APS, PMMAの基準値の17～24%は0.1～4.8%, バルク変調率で, 密度予測は17～24%であった。
  論文  参考訳（メタデータ） (2026-04-02T21:43:35Z)
• Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
  両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。 Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。 また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
  論文  参考訳（メタデータ） (2026-03-30T01:54:03Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Chemistry Integrated Language Model using Hierarchical Molecular Representation for Polymer Informatics [0.0]
  機械学習は無機化合物や小さな分子の物質発見に変化をもたらしたが、ポリマーはこれらの方法にほとんどアクセスできないままである。 本稿では,化学サブ構造をトークンとしてエンコードするHAPPYとトランスフォーマーアーキテクチャ内の数値記述子を組み合わせたフレームワークCI-LLMを紹介する。 プロパティ予測では、De$3$BERTaはSMILESベースのモデルよりも3.5倍高速で精度が向上している。 逆設計では, GPTをベースとしたジェネレータは, ターゲット特性を有するポリマーを生成し, 100%の足場保持を実現し, マルチプロパティ最適化に成功した。
  論文  参考訳（メタデータ） (2025-12-06T05:07:11Z)
• MMPolymer: A Multimodal Multitask Pretraining Framework for Polymer Property Prediction [24.975491375575224]
  MMPolymerはポリマー1Dシーケンシャルおよび3D構造情報を組み込んだ新しいマルチタスク事前学習フレームワークである。 MMPolymerは、下流特性予測タスクにおける最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-07T08:19:59Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• TransPolymer: a Transformer-based language model for polymer property predictions [9.04563945965023]
  TransPolymerは、トランスフォーマーをベースとした、高分子特性予測のための言語モデルである。 ケミカル・アウェアネスを用いたポリマー・トークンーザは, ポリマー配列からの学習表現を可能にする。
  論文  参考訳（メタデータ） (2022-09-03T01:29:59Z)
• Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
  現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。 このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。 文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
  論文  参考訳（メタデータ） (2020-11-04T21:36:59Z)

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。