論文の概要: Localize, Then Reason: Visual Latent Structural Reasoning for Molecular Properties and Edits

• arxiv url: http://arxiv.org/abs/2608.13244v1
• Date: Thu, 13 Aug 2026 13:50:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.54758
• Title: Localize, Then Reason: Visual Latent Structural Reasoning for Molecular Properties and Edits
• Title（参考訳）: 局所化と推論:分子特性と編集のための視覚的潜在構造推論
• Abstract要約: 局所的な化学認識と性質推論は、分子構造がどのように性質を決定するかを理解するのに不可欠である。 現在の化学推論法は、局所的なモチーフの記述とともにSMILES/分子画像を受け取るか、または分子画像から直接引き起こす。 分子画像から局所化と推論を共同で学習するエンドツーエンドフレームワークであるVisual Latent Structure Reasoning (VLSR)を提案する。
• 参考スコア（独自算出の注目度）: 0.42821598129654453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local chemical perception and property reasoning are both essential for understanding how molecular structure determines properties. Current LLM-based chemical reasoning methods either receive SMILES/molecular images together with descriptions of local motifs, or reason directly from molecular images. Neither approach enables the model to focus on chemically meaningful regions before reasoning. To address this gap, we propose Visual Latent Structural Reasoning (VLSR), an end-to-end framework that jointly learns localization and reasoning from molecular images. Central to our approach is a localize-then-reason strategy. VLSR first learns to locate chemically meaningful regions in a molecular image. It then reasons about their property effects in a compact latent workspace before producing the final answer. Under the same inference setup, this design achieves 9.6X higher throughput than a comparable textual-reasoning baseline.
• Abstract（参考訳）: 局所的な化学認識と性質推論はどちらも、分子構造がどのように性質を決定するかを理解するのに不可欠である。 現在のLSMに基づく化学推論法は、局所的なモチーフの記述とともにSMILES/分子画像を受け取るか、または分子画像から直接推論する。 どちらのアプローチも、推論の前に化学的に意味のある領域にフォーカスすることを可能にする。 このギャップに対処するために、分子画像から局所化と推論を共同で学習するエンドツーエンドフレームワークであるVisual Latent Structure Reasoning (VLSR)を提案する。 私たちのアプローチの中心は、ローカライズ・テーンの戦略です。 VLSRはまず、分子画像中の化学的に意味のある領域を見つけることを学習する。 そして、最終的な答えを生成する前に、コンパクトな潜在ワークスペースにおけるそれらの特性効果を推論する。 同じ推論設定の下で、この設計は、同等のテキスト推論ベースラインよりも9.6倍高いスループットを達成する。

関連論文リスト

• Do LLMs Truly Generalize in the Molecular Domain? A Perturbation-Based Analysis [35.63799709687231]
  制御されたグラフ編集距離(GED)下でのトレーニング分子の構造変化を生成する分子摂動フレームワークを提案する。 分析の結果,1回の編集でも共通な分子課題に顕著な性能低下が生じ,局所信頼領域が狭く,構造変化に対する脆弱な感受性が明らかとなった。 また,制御構造摂動下でICTが頑健性を示すかどうかについても検討した。
  論文  参考訳（メタデータ） (2026-07-02T07:16:28Z)
• MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents [57.28652712579434]
  分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。 MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。 初期治療設計におけるケーススタディとして、MolLingoは、結合部位の幾何学と残基レベルのタンパク質コンテキストにおけるChemist Agentの推論を根拠にしている。
  論文  参考訳（メタデータ） (2026-05-27T02:11:23Z)
• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• MolecularIQ: Characterizing Chemical Reasoning Capabilities Through Symbolic Verification on Molecular Graphs [8.534690300929343]
  分子の性質の推論には 分子グラフを解析し 理解する能力が必要です 大規模言語モデル(LLM)は、化学、分子名変換、キャプション、テキスト誘導生成、特性や反応予測といったタスクにますます応用されている。 我々は,分子構造推論ベンチマークである分子IQを紹介した。
  論文  参考訳（メタデータ） (2026-01-21T18:58:01Z)
• Context-aware Graph Causality Inference for Few-Shot Molecular Property Prediction [8.42839603549236]
  本稿では,文脈対応型グラフ因果推論フレームワークCaMolを提案する。 まず、官能基、分子、特性をリンクすることで化学知識を符号化するコンテキストグラフを導入する。 第2に,因果部分構造を混在する部分構造から切り離すための学習可能な原子マスキング戦略を提案する。 第3に, 因果部分構造と化学的に接地した共同設立者を組み合わせることで, バックドア調整を施した配電インターベンタを導入する。
  論文  参考訳（メタデータ） (2026-01-16T09:49:50Z)
• 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)
• Representing local protein environments with atomistic foundation models [6.120694232253299]
  原子基盤モデル(AFM)の中間的特徴から得られた局所タンパク質環境の表現法を提案する。 AFMから導かれる表現空間は有意義な構造を示し、データ駆動の事前構築を可能にする。 生体分子NMR分光法(英語版)の文脈において、提案された表現により、第一種物理学インフォームド化学シフト予測器が実現できることを実証する。
  論文  参考訳（メタデータ） (2025-05-29T11:25:47Z)
• Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [52.84455878597969]
  Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。 分子理解を改善するために,分子エンコーダの相補的な情報を統合するモジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-19T05:49:10Z)
• Structural Reasoning Improves Molecular Understanding of LLM [18.532188836688928]
  大規模言語モデル (LLM) は分子構造情報を用いた推論に依然として苦戦していることを示す。 本稿では,分子構造を推論のためにスケッチする手法を提案する。 対象分子が未知あるいは未知のシナリオのための2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:49:48Z)
• Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
  グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。 本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。 提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-11T10:03:10Z)
• De Novo Molecular Generation via Connection-aware Motif Mining [197.97528902698966]
  我々は、マイニングされた接続認識モチーフに基づいて分子を生成する新しい方法、MiCaMを提案する。 得られたモチーフ語彙は、分子モチーフ(頻繁な断片)だけでなく、それらの接続情報も含む。 マイニングされた接続対応モチーフに基づいて、MiCaMは接続対応ジェネレータを構築し、同時にモチーフをピックアップし、どのように接続されているかを決定する。
  論文  参考訳（メタデータ） (2023-02-02T14:40:47Z)

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。