論文の概要: S3C-LLM: Skill-Code Guided Agentic Language Models for Spectrum-to-Structure Elucidation

• arxiv url: http://arxiv.org/abs/2608.30910v1
• Date: Mon, 31 Aug 2026 14:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.458789
• Title: S3C-LLM: Skill-Code Guided Agentic Language Models for Spectrum-to-Structure Elucidation
• Title（参考訳）: S3C-LLM:スペクトルから構造への学習のためのスキルコード誘導エージェント言語モデル
• Abstract要約: 本稿では,S3C-LLMについて紹介する。 分子を直接予測するのではなく、S3C-LLMはモダリティ固有の分光技術を取得し、解析コードを実行して入力スペクトル上でこれらのスキルをインスタンス化し、結果のピークレベルのエビデンスと公式制約をSMILESを生成する前に統合する。
• 参考スコア（独自算出の注目度）: 12.882727231856279
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spectroscopic structure elucidation is central to molecular analysis, but recent Large Language Model (LLM)-based methods mostly formulate it as direct spectrum-to-SMILES generation. Although this paradigm can leverage paired spectral data, it does not explicitly model the analytical workflow used by spectroscopists, such as diagnostic peak interpretation, fragment reasoning, formula constraints, and chemical consistency checking. In this paper, we introduce S3C-LLM, a skill-guided and code-grounded agentic LLM for spectrum-to-structure elucidation. Rather than directly predicting a molecule, S3C-LLM retrieves modality-specific spectroscopy skills, executes analysis code to instantiate these skills on the input spectra, and integrates the resulting peak-level evidence and formula constraints before generating SMILES. Specifically, we contribute a self-evolving spectroscopy skill library, a thinking-augmented skill-code trajectory construction pipeline, and a two-stage training strategy that teaches Qwen3-4B through supervised fine-tuning (SFT) followed by our proposed step-level reinforcement learning (RL). Experiments on diverse benchmarks show that S3C-LLM consistently outperforms current general LLMs and spectrum-specific models across spectra, while using less than 1/10th of SpectraLLM's training corpus.
• Abstract（参考訳）: 分光構造解明は分子解析の中心であるが、近年のLarge Language Model (LLM) に基づく手法は直接スペクトルからSMILES生成として定式化されている。 このパラダイムは、ペア化されたスペクトルデータを利用することができるが、診断ピーク解釈、断片的推論、公式制約、化学整合性チェックなど、分光学者が使用する分析ワークフローを明示的にモデル化するものではない。 本稿では,S3C-LLM(S3C-LLM)について述べる。 分子を直接予測するのではなく、S3C-LLMはモダリティ固有の分光技術を取得し、解析コードを実行して入力スペクトル上でこれらのスキルをインスタンス化し、結果のピークレベルのエビデンスと公式制約をSMILESを生成する前に統合する。 具体的には、自己進化型分光技術ライブラリ、思考強化されたスキルコード軌道構築パイプライン、および教師付き微調整(SFT)を通してQwen3-4Bを教える2段階のトレーニング戦略、そして、提案したステップレベル強化学習(RL)に寄与する。 様々なベンチマークの実験では、S3C-LLMはスペクトルの10分の1未満のトレーニングコーパスを使用しながら、現在の一般的なLCMやスペクトル固有モデルよりも一貫して優れていた。

関連論文リスト

• Thermodynamic Signatures of Reasoning: Free-Energy and Spectral-Form-Factor Diagnostics for Hallucination Detection in Large Language Models [1.0152838128195467]
  大規模言語モデル(LLM)における幻覚検出は展開クリティカルであり、近年の研究により、注目グラフラプラシアンのスペクトルが推論品質に関する強いシグナルを伝達していることが示されている。 本研究では,各層が注目するラプラシアンをハミルトニアンとして扱い,その熱力学的ポテンシャル分配関数,自由エネルギー,スペクトルエントロピー,熱容量をランダム行列理論(RMT)スペクトル形状因子とともに抽出するスペクトル記述子Fesを提案する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:48Z)
• SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
  直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。 我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。 マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
  論文  参考訳（メタデータ） (2026-05-26T13:28:57Z)
• SpecX: A Large-Scale Benchmark for Multi-Modal Spectroscopy and Cross-Paradigm Evaluation [22.190667664285154]
  SpecXはマルチモード分光のための大規模ベンチマークであり、クロスパラダイム評価を行う。 NMR (1H, 13C, HSQC)、IR、MS、UV、ラマン、FLを含む1.7M分子を含む。
  論文  参考訳（メタデータ） (2026-05-11T04:12:58Z)
• Spectral Model eXplainer: a chemically-grounded explainability framework for spectral-based machine learning models [0.6487259764989486]
  本研究では、スペクトル分類器をエキスパートインフォームドスペクトルゾーンで説明する、ポストホックでグローバルなモデルに依存しないXAIフレームワークであるスペクトルモデルeXplainer(SMX)を紹介する。 SMXはPCAを介して各ゾーンを要約し、量子ベースの論理述語を定義し、摂動による関係を推定し、有向重み付きグラフでバッグワイズランキングを集計する。
  論文  参考訳（メタデータ） (2026-05-04T15:01:04Z)
• Generative structural elucidation from mass spectra as an iterative optimization problem [23.97077717251806]
  本稿では,LC-MS/MSから構造決定を行う計算ワークフローを反復最適化問題として導入する。 我々は,NIST'20およびMassSpecGymデータセットにおけるクロマトグラフィーの性能を,スタンドアロンの解明パイプラインと既存の逆モデルの補完として示す。
  論文  参考訳（メタデータ） (2026-02-07T21:34:38Z)
• 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)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• Language Models Can Understand Spectra: A Multimodal Model for Molecular Structure Elucidation [9.987376780022345]
  マルチモーダル分光関節推論をサポートするために設計された,最初の大規模言語モデルであるSpectraLLMを提案する。 連続的および離散的な分光モジュラリティを共有意味空間に統合することにより、SpectraLLMはスペクトル間で一貫性があり相補的な構造パターンを明らかにすることを学ぶ。 我々は、小分子領域におけるSpectraLLMの事前学習と微調整を行い、6つの標準化された公開化学データセットで評価する。
  論文  参考訳（メタデータ） (2025-08-04T13:33:38Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)

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。