論文の概要: Prototype-guided transfer of sparse literature knowledge for electrolyte additive discovery

• arxiv url: http://arxiv.org/abs/2609.02209v1
• Date: Wed, 02 Sep 2026 07:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.131863
• Title: Prototype-guided transfer of sparse literature knowledge for electrolyte additive discovery
• Title（参考訳）: 電解質添加物発見のためのスパース文学知識の原型誘導伝達
• Abstract要約: 報告された電解質添加物から伝達可能な構造先行を学習するプロトタイプ誘導分子インテリジェンスを開発した。 ホウ素含有添加物の場合、ProtoMIは116の文献に記載された分子と179,977の未標識候補を結合する。 代表的な候補は4,4,5,5-テトラメチル-2-[10-[ナフチル)アントラセン-9-イル]-1,3,2-ジオキサボロラン(TNDB)で、高温LiFePO4|グラファイトサイクルを55Cで34.93%向上させる。
• 参考スコア（独自算出の注目度）: 6.591863852626518
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electrolyte additive discovery remains challenging because experimentally validated molecules are sparse, whereas accessible chemical spaces are vast and largely unlabeled. This challenge is amplified in lithium-ion batteries, where additive performance arises from coupled interfacial reactions rather than a single molecular property. Here, we develop a prototype-guided molecular intelligence, ProtoMI, a literature-driven framework that learns transferable structural priors from reported electrolyte additives and uses them to prioritize candidates in unlabeled chemical space. For boron-containing additives, ProtoMI combines 126 literature-reported molecules with 179,977 unlabeled candidates. Graph contrastive learning identifies seven chemically interpretable prototypes from the reported additives, and prototype guided semi-supervised contrastive learning adapts these prototypes to the candidate space under source-target distribution mismatch. In retrospective temporal validation, ProtoMI achieves enrichment factors of 9.2-45.6 while screening less than 2% of the candidate space. A subsequent translation step identifies four commercially accessible candidates. One representative candidate, 4,4,5,5-Tetramethyl-2-[10-(1naphthyl)anthracen-9-yl]-1,3,2-dioxaborolane (TNDB), improves high-temperature LiFePO4||graphite cycling at 55 °C by 34.93% relative to the baseline electrolyte. An arsenal of characterizations and operando optical fiber Fourier transform infrared spectroscopy suggest that TNDB forms B-containing, F/P/O-modified inorganic interphases, suppresses solvent decomposition and reduces Fe deposition on graphite. This case study shows how sparse literature knowledge can guide experimentally efficient molecular discovery in data-scarce battery-additive spaces.
• Abstract（参考訳）: 実験的に検証された分子は希薄であるのに対して、アクセス可能な化学空間は広く、ほとんどラベルが付けられていないため、電解質の添加物発見は依然として困難である。 この課題はリチウムイオン電池で増幅され、単一の分子特性ではなく界面反応の結合によって添加性能が生じる。 そこで我々は, 報告された電解質添加物から転写可能な構造素を学習し, 未標識化学領域の候補を優先する, 文献駆動型フレームワークProtoMIを開発した。 ホウ素含有添加物の場合、ProtoMIは116の文献に記載された分子と179,977の未標識候補を結合する。 グラフコントラスト学習は、報告された添加物から化学的に解釈可能な7つのプロトタイプを特定し、ガイド付き半教師付きコントラスト学習は、これらのプロトタイプをソースターゲット分布ミスマッチの下で候補空間に適応させる。 振り返りの時間的検証では、ProtoMIは9.2-45.6の濃縮係数を達成し、候補空間の2%未満をスクリーニングする。 その後の翻訳ステップでは、商業的にアクセス可能な4つの候補が特定される。 代表的な候補である4,4,5,5-テトラメチル-2-[10-(1naphthyl)anthracen-9-yl]-1,3,2-dioxaborolane (TNDB)は、ベースライン電解質と比較して55 °Cの高温LiFePO4|黒鉛サイクリングを34.93%向上させる。 キャラクタリゼーションおよびオペナンド光ファイバフーリエ変換赤外分光法により、TNDBはB含有のF/P/O修飾無機中間相を形成し、溶媒の分解を抑制し、グラファイトへのFe沈着を低減することが示唆された。 このケーススタディは、スパース文学の知識が、データスカース電池付加空間における実験的に効率的な分子発見をいかに導くかを示す。

関連論文リスト

• The Language of Elution: Autoregressive Prediction of the Next Feature in Untargeted LC-HRMS Lipidomics [0.0]
  SCIEX TripleTOF 6600+, Waters CSH C18)による4種類の臨床リポソームコホートからの15,242種の特徴の訓練 LSTMは98.4%の精度(99.99%のトップ5、平均絶対誤差3.6Da)、トランスフォーマー98.0%に達する。 これらの結果から, 溶出シーケンスは予測可能であり, メタボロミクスのアノテーションカバレッジを向上させるため, 予測MS/MS獲得の基盤となることが確認された。
  論文  参考訳（メタデータ） (2026-06-02T10:42:17Z)
• 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)
• Copy-Augmented Representation for Structure Invariant Template-Free Retrosynthesis [17.5286075847689]
  C-SMILESは、従来のSMILESを5つの特別なトークンを持つ要素対に分解する新しい表現である。 提案手法はSMILESアライメントガイダンスを統合し,アテンションの整合性向上と地中構造原子マッピングを実現する。 この研究は、生成分子の99.9%の妥当性を持つ構造認識分子生成の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-10-18T17:25:36Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Classifier-free graph diffusion for molecular property targeting [14.488714063757278]
  この研究は、プロパティターゲティング、すなわち、ターゲットの化学的性質に条件付けられた分子を生成するタスクに焦点を当てている。 本稿では,条件情報を直接学習プロセスに注入して動作する分類器フリーなDiGress(FreeGress)を提案する。 提案手法は,DieGressのプロパティターゲティングタスクに対して,平均絶対誤差を最大79%改善することを示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:38Z)
• Formulation Graphs for Mapping Structure-Composition of Battery Electrolytes to Device Performance [0.08974531206817746]
  定式化グラフ畳み込みネットワーク(F-GCN)は、個々の成分の構造-構成関係を、液体定式化全体の特性にマッピングすることができる。 このモデルは、クーロン効率(CE)のようなパフォーマンス指標と、最も低いエラーを報告された新しい電解質の定式化の特定の能力を予測するために示される。
  論文  参考訳（メタデータ） (2023-07-07T19:34:43Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Automated fragment identification for electron ionisation mass spectrometry: application to atmospheric measurements of halocarbons [0.0]
  非標的スクリーニングは、疑いまたは未知のすべての現在の物質のサンプルを検索することである。 このアプローチは10年以上前に水分析の分野で導入されたが、室内および大気中の微量ガスの測定には依然として不十分である。 GC-EI-HRMSによる未知化合物の自動同定を可能にするデータ解析ツールを提案する。
  論文  参考訳（メタデータ） (2021-03-23T09:35:10Z)

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。