論文の概要: A Multi-Agent Framework for Automated Coarse-Grained Molecular Dynamics of Polymers

• arxiv url: http://arxiv.org/abs/2608.06694v1
• Date: Fri, 07 Aug 2026 01:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.324193
• Title: A Multi-Agent Framework for Automated Coarse-Grained Molecular Dynamics of Polymers
• Title（参考訳）: 高分子の粗粒分子動力学自動化のためのマルチエージェントフレームワーク
• Abstract要約: 粗粒(CG)分子動力学は、全原子(AA)法にアクセスできるスケールを超えて、ポリマーシミュレーションを拡張している。 ここでは、トポロジ構築、平衡、マッピング、ポテンシャル、検証を自動化するマルチエージェントフレームワークであるCGMasを紹介する。 下流のエージェントはシステムを平衡化し、CG表現にマッピングし、ボルツマンを通してポテンシャルを導出し、その原子論的参照に対してモデルをベンチマークする。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coarse-grained (CG) molecular dynamics extends polymer simulation beyond the scales accessible to all-atom (AA) methods, but bottom-up CG modeling is laborious. The CG resolution is a design choice, so a transferable parameter set is generally not available and the potentials are derived anew for each polymer mapping. Here we present CGMas, a multi-agent framework that automates topology construction, equilibration, mapping, potential derivation, and validation from a natural-language specification of the polymer and target resolution. A large-language-model (LLM) reasoning agent infers the AA topology from polymer name, while layered self-correction resolves physical errors common to unsaturated, heteroatom-containing, and polar polymers. Downstream agents equilibrate the system, map it onto CG representation, derive potentials through Boltzmann inversion, and benchmark the model against its atomistic reference. CGMas completed all 27 homopolymer and copolymer tasks, matched the AA density to within 5% in 22, and reduced simulation from 38-88 min to 1 min, establishing agentic LLMs as a route to automated polymer coarse-graining.
• Abstract（参考訳）: 粗粒(CG)分子動力学は、全原子(AA)法にアクセスできるスケールを超えてポリマーシミュレーションを拡張するが、ボトムアップCGモデリングは困難である。 CG分解能は設計上の選択であるため、転送可能なパラメータセットは一般には利用できず、各ポリマーマッピングに対して電位が新たに導出される。 本稿では, トポロジ構築, 平衡, マッピング, ポテンシャル導出, 検証を自動化する多エージェントフレームワークであるCGMasについて述べる。 大言語モデル推論剤(LLM)はAAトポロジーをポリマー名から推定し、層状自己補正は不飽和、ヘテロ原子含有、極性ポリマーに共通する物理誤差を解消する。 下流のエージェントはシステムを平衡化し、CG表現にマッピングし、ボルツマンの反転を通してポテンシャルを導出し、その原子論的参照に対してモデルをベンチマークする。 CGMasは27種類のホモポリマーおよび共重合体のタスクを完了し、AA密度は22年に5%以内まで低下し、シミュレーションは38-88分から1分に短縮された。

関連論文リスト

• 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)
• PolySet: Restoring the Statistical Ensemble Nature of Polymers for Machine Learning [0.0]
  重合体を仮定したモル質量分布からサンプリングした鎖の有限重み付けアンサンブルとして表現するフレームワークであるPolySetを紹介する。 高分子物質の統計的性質を明確に認識することで、PolySetは将来の高分子機械学習のための物理的基盤を確立する。
  論文  参考訳（メタデータ） (2025-12-15T10:50:48Z)
• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• MIPS: a Multimodal Infinite Polymer Sequence Pre-training Framework for Polymer Property Prediction [18.637780346409308]
  既存のモデリングアプローチは、通常は構成モノマーによってポリマーを表すが、ポリマーの全ての性質を捉えるのに苦労している。 本稿では, 高分子をモノマーの無限列として表現するMIPS事前学習フレームワークを提案する。 トポロジカルな観点から、メッセージパッシング機構(MPM)とグラフアテンション機構(GAM)を無限のポリマー配列に一般化する。
  論文  参考訳（メタデータ） (2025-07-27T15:34:51Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• POINT$^{2}$: A Polymer Informatics Training and Testing Database [15.45788515943579]
  POINT$2$ (Polymer Informatics Training and Testing) は、高分子情報学における重要な課題に対処するために設計されたベンチマークデータベースとプロトコルである。 我々は、量子ランダムフォレスト、ドロップアウト付き多層パーセプトロン、グラフニューラルネットワーク、事前訓練された大規模言語モデルを含むMLモデルのアンサンブルを開発する。 これらのモデルは、Morgan、MACCS、RDKit、Topological、Atom Pairの指紋、グラフベースの記述子といった多様なポリマー表現と結合している。
  論文  参考訳（メタデータ） (2025-03-30T15:46:01Z)
• 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)
• 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)
• Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
  粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。 我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
  論文  参考訳（メタデータ） (2023-02-14T14:35:39Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。