論文の概要: An LLM agent for end-to-end computational materials discovery
- arxiv url: http://arxiv.org/abs/2608.20434v1
- Date: Thu, 20 Aug 2026 06:23:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.092257
- Title: An LLM agent for end-to-end computational materials discovery
- Title（参考訳）: エンド・ツー・エンドの計算材料発見のためのLLMエージェント
- Abstract要約: MAESTROは、大規模言語モデル(LLM)エージェントシステムで、金属-有機フレームワーク(MOF)のスクリーニングパイプライン全体を実行することができる。
大量のMOF文学を処理し、関連する出版物をそれらの結晶構造にリンクし、結果を計算可能なデータベースにキュレートし、計算コストを徐々に増加させる戦略によってスクリーニングする。
- 参考スコア（独自算出の注目度）: 3.4997187218621284
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The coordination of multi-scale tasks is an effective strategy for computational materials discovery, yet the repeated application of diverse algorithms and tools renders it challenging. We report MAESTRO, a large language model (LLM) agent system capable of executing the entire screening pipeline for metal-organic frameworks (MOFs). It processes a large body of MOF literature, links relevant publications to their crystal structures, and curates the results into a computation-ready database, which is then screened through a strategy of progressively increasing computational cost. The promising candidates identified for separation under wet flue gas conditions all originate from unrelated studies. By connecting the heterogeneous stages of computational materials discovery, the LLM-based agents of MAESTRO can operate across application domains and uncover high-performance materials that conventional screening approaches would be unlikely to consider.
- Abstract（参考訳）: マルチスケールタスクの協調は、計算材料発見の効果的な戦略であるが、多様なアルゴリズムやツールの繰り返し適用は、それを困難にしている。
大規模言語モデル(LLM)エージェントシステムであるMAESTROについて報告する。
大量のMOF文学を処理し、関連する出版物をそれらの結晶構造にリンクし、結果を計算可能なデータベースにキュレートし、計算コストを徐々に増加させる戦略によってスクリーニングする。
湿った排ガス条件下での分離が期待できる候補は、すべて無関係な研究に由来する。
計算材料発見の異質な段階を接続することで、MAESTROのLLMベースのエージェントはアプリケーション領域をまたいで動作し、従来のスクリーニング手法では考慮できないような高性能な材料を発見できる。
関連論文リスト
- El Agente Potente: High-Throughput Agentic Atomistic Simulations [4.268668578817565]
基礎的機械学習原子間ポテンシャル(MLIP)は、計算コストのごく一部で、大規模化学空間のほぼ初期精度を達成し、原子論シミュレーションを変換している。
我々は,型付き実行グラフと補完的な符号化モードを組み合わせたエージェントシステムであるEl Agente Potenteを紹介した。
論文 参考訳（メタデータ） (2026-09-13T23:20:21Z) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Ontology-aligned structuring and reuse of multimodal materials data and workflows towards automatic reproduction [1.4658400971135652]
既存のテキストマイニング手法では、関連するパラメータを含む完全計算を抽出するには不十分である。
文献からの計算密度の自動抽出と構造化のための大規模言語モデル(LLM)支援フレームワークが導入された。
このフレームワークは、公表された結果を意味的に相互運用可能な形式で整理・コンテキスト化するための基盤を提供し、それによって計算材料データの透明性と再利用性を向上させる。
論文 参考訳（メタデータ） (2026-01-18T20:51:23Z) - An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。
近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。
本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文 参考訳（メタデータ） (2025-12-22T15:03:57Z) - Agentic Additive Manufacturing Alloy Discovery [10.771896497348969]
本研究の目的は, 大型言語モデル (LLM) により, 添加物製造分野における合金発見作業の自動化と高速化を図ることである。
論文 参考訳（メタデータ） (2025-10-02T21:06:04Z) - Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。
古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。
コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
論文 参考訳（メタデータ） (2025-07-21T10:52:14Z) - DREAMS: Density Functional Theory Based Research Engine for Agentic Materials Simulation [1.3821435284269523]
エージェント材料スクリーニングのためのDFTベースリサーチエンジン(DREAMS)について紹介する。
DREAMSはDFTシミュレーションのための階層的マルチエージェントフレームワークであり、LLM(Central Large Language Model)プランナーエージェントとドメイン固有のLLMエージェントを組み合わせたものである。
DREAMSをSol27LC格子定数ベンチマークで検証し,人間のDFT専門家と比較すると平均誤差を1%以下に抑えることができた。
論文 参考訳（メタデータ） (2025-07-18T15:26:04Z) - 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) - DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。
本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。
DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
論文 参考訳（メタデータ） (2025-05-20T05:18:15Z) - Agentic Mixture-of-Workflows for Multi-Modal Chemical Search [0.0]
大規模言語モデル(LLM)は、様々な領域にわたる有望な推論と自動化機能を示している。
CRAG-MoWは、異なるCRAG戦略を用いて複数のエージェントを編成する新しいパラダイムである。
我々は、小型分子、高分子、化学反応、およびマルチモーダル核磁気共鳴(NMR)スペクトル検索のCRAG-MoWをベンチマークした。
論文 参考訳（メタデータ） (2025-02-26T23:48:02Z) - EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。
多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。
最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-08T17:54:03Z) - Collaboration Dynamics and Reliability Challenges of Multi-Agent LLM Systems in Finite Element Analysis [3.437656066916039]
インターエイジェントダイナミクスが推論の品質と信頼性にどのように影響するかは、まだ不明である。
線形弾性有限要素解析(FEA)のためのAutoGenベースのマルチエージェントフレームワークを用いたこれらのメカニズムについて検討する。
1,120のコントロールされたトライアルから、コラボレーションの有効性は、チームのサイズよりも機能的な相補性に依存することが分かりました。
論文 参考訳（メタデータ） (2024-08-23T23:11:08Z)
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。