論文の概要: MinerU.Chem: A High-Precision System for Optical Chemical Structure and Reaction Recognition

• arxiv url: http://arxiv.org/abs/2608.03525v2
• Date: Wed, 05 Aug 2026 02:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 17:51:08.553851
• Title: MinerU.Chem: A High-Precision System for Optical Chemical Structure and Reaction Recognition
• Title（参考訳）: MinerU.Chem:光学化学構造と反応認識のための高精度システム
• Authors: Haote Yang, Jiang Wu, Jingchao Wang, Xingjian Wei, Lixin Ma, Linye Li, Chen Zhu, Xiaolong Wu, Yuheng Lu, Ziran Zhu, Junyuan Gao, Lingli Ge, Yuan Xu, Huijie Ao, QianQian Wu, Dechen Lin, Huaiyu Gu, Lu Chen, Shengxin Lu, ShaSha Wang, Yuanyuan Cao, Zhejia Yu, Ruijie Zhang, Zimai Tian, Jiaxing Sun, Yinfan Wang, Jiahe Song, Chuang Wang, Yubin Wang, Rui Nie, Hao Zheng, Bowen Jiang, Hongbin Lai, Yifan He, Chengjin Liu, Tingting Zhang, Liqun Wei, Lijun Wu, Bin Wang, Yuqiang Li, Guangyu Wang, Wei Li, Bowen Zhou, Dahua Lin, Conghui He,
• Abstract要約: MinerU-Chemは、MinerUオンラインプラットフォームに統合された有機化学文献の文書解析システムである。 MinerUの汎用文書解析パイプライン上に構築されたMinerU-Chemは、化学固有の5つのモジュールを追加する。 分子構造認識において、MinerU-Chemはコア表現としてCARBONを使用している。
• 参考スコア（独自算出の注目度）: 91.38955433649268
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In organic chemistry papers and patents, molecular structures, reaction schemes, and experimental conditions are often presented as molecular structure depictions, reaction diagrams, and complex tables or figures. Such information is difficult for general-purpose document parsing systems to directly convert into machine-readable data. This limits data production for organic chemistry knowledge base construction and for AI for Chemistry tasks such as reaction prediction, retrosynthesis, condition recommendation, molecular property prediction, and drug molecule design. This report introduces MinerU-Chem, a document parsing system for organic chemistry literature integrated into the MinerU online platform. Built on top of MinerU's general document parsing pipeline, MinerU-Chem adds five chemistry-specific modules: chemistry relevance filtering, molecular structure detection, molecule identifier extraction, molecular structure recognition, and reaction scheme parsing. Together, these modules convert organic-chemistry-related image regions in documents into a Molecule Summary List and a Reaction Summary List. For molecular structure recognition, MinerU-Chem uses CARBON (Complex Atomic Representation and Bonding Object Notation) as its core representation. CARBON enables recognition results to preserve both the visual layout of the original image and complex chemical semantics, while supporting the export of standard downstream formats such as MolFile and SMILES. On the SMILES-evaluable subset of MolRecBench-Wild (N=2,392), MinerU-Chem's molecular structure recognition module achieves a SMILES exact-match accuracy of 93.02%, outperforming the best evaluated comparison system, GPT-5.6-Sol (74.87%), by 18.15 percentage points. The system has been integrated into the MinerU online platform and is available at https://mineru.net/OpenSourceTools/Extractor .
• Abstract（参考訳）: 有機化学論文や特許では、分子構造、反応スキーム、実験条件は、しばしば分子構造描写、反応図、複雑な表や図形として表される。 このような情報は、汎用文書解析システムでは直接機械可読データに変換するのが困難である。 これにより、有機化学知識ベース構築のためのデータ生成や、反応予測、レトロ合成、条件推奨、分子特性予測、薬物分子設計といった化学タスクのためのAIが制限される。 本報告では,MinerUオンラインプラットフォームに統合された有機化学文献の文書解析システムであるMinerU-Chemを紹介する。 MinerU-Chemは、MinerUの一般的な文書解析パイプラインの上に構築され、化学関連性フィルタリング、分子構造検出、分子識別子抽出、分子構造認識、反応計画解析という5つの化学固有のモジュールを追加した。 これらのモジュールは、文書中の有機化学関連画像領域を分子概要リストと反応概要リストに変換する。 分子構造認識において、MinerU-Chemはコア表現としてCARBON(Complex Atomic Representation and Bonding Object Notation)を使用している。 CARBONは、MoldFileやSMILESのような標準の下流フォーマットのエクスポートをサポートしながら、元の画像の視覚的レイアウトと複雑な化学意味の両方を保存することができる。 MolRecBench-WildのSMILES評価可能なサブセット(N=2,392)では、MinerU-Chemの分子構造認識モジュールがSMILESの正確なマッチ精度を93.02%達成し、最高の評価比較システムであるGPT-5.6-Sol(74.87%)を18.15パーセント上回る。 このシステムはMinerUオンラインプラットフォームに統合され、https://mineru.net/OpenSourceTools/Extractor.comで入手できる。

関連論文リスト

• 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)
• MolMole: Molecule Mining from Scientific Literature [10.183226397580876]
  MolMoleは、分子検出、反応図解析、光学化学構造認識を統合するビジョンベースのディープラーニングフレームワークである。 分子境界ボックス,反応ラベル,MOLファイルを付加した550ページのテストセットを提示する。 MolMoleはベンチマークと公開データセットの両方で既存のツールキットよりも優れています。
  論文  参考訳（メタデータ） (2025-04-30T09:30:04Z)
• MolParser: End-to-end Visual Recognition of Molecule Structures in the Wild [17.846545370594452]
  両端から端までの新しい化学構造認識法であるモールについて述べる。 SMILES符号化法を用いて,最大のアノテート分子画像データセットである Mol-7M をアノテートする。 我々は、カリキュラム学習アプローチを用いて、エンドツーエンドの分子画像キャプションモデル、Molを訓練した。
  論文  参考訳（メタデータ） (2024-11-17T15:00:09Z)
• SMiCRM: A Benchmark Dataset of Mechanistic Molecular Images [0.8192907805418583]
  本稿では,アロープッシングアノテーションを用いた化学分子の機械認識能力をベンチマークするためのデータセットを提案する。 このデータセットには、各画像に対する機械可読な分子アイデンティティと、化学反応中に電子の流れを示す機械的矢印が含まれている。
  論文  参考訳（メタデータ） (2024-07-25T18:52:10Z)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• ChemLLM: A Chemical Large Language Model [49.308528569982805]
  大規模言語モデル(LLM)は化学応用において顕著な進歩を遂げた。 しかし、コミュニティには化学に特化したLLMが欠落している。 本稿では,化学に特化した最初のLLMを特徴とする包括的フレームワークであるChemLLMを紹介する。
  論文  参考訳（メタデータ） (2024-02-10T01:11:59Z)
• MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
  化学構造を視覚的に認識するためにMolGrapherを導入する。 すべての候補原子と結合をノードとして扱い、それらをグラフ化する。 グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
  論文  参考訳（メタデータ） (2023-08-23T16:16:11Z)
• IMG2SMI: Translating Molecular Structure Images to Simplified Molecular-input Line-entry System [29.946393284884778]
  我々は、画像特徴抽出にDeep Residual Networksを利用するモデルIGG2SMIと、分子記述生成にエンコーダ・デコーダ・トランスフォーマ層を導入する。 IMG2SMIは、分子MACCS Fingerprint Tanimoto similarityによって測定された分子類似性予測において、OSRA系システムよりも163%優れていた。 また、分子記述生成のための8100万分子を含む新しい分子予測データセットもリリースした。
  論文  参考訳（メタデータ） (2021-09-03T19:57:07Z)

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。