Fugu-MT 論文翻訳(概要): HiPoly: a hierarchical polymer-native AI framework for property prediction and generative design

論文の概要: HiPoly: a hierarchical polymer-native AI framework for property prediction and generative design

arxiv url: http://arxiv.org/abs/2609.02746v1
Date: Wed, 02 Sep 2026 15:48:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.455806
Title: HiPoly: a hierarchical polymer-native AI framework for property prediction and generative design
Title（参考訳）: HiPoly: プロパティ予測と生成設計のための階層型ポリマーネイティブAIフレームワーク
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.5787479220592155
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Polymeric materials are central to modern technologies, with applications ranging from energy to health and transportation. Although AI has made significant advances in materials discovery, the hierarchical structure of polymers across multiple length scales makes them inherently difficult to represent in a unified and physically meaningful way. Here we introduce HiPoly, a polymer-native AI framework that processes complete polymer descriptions through a three-level hierarchical graph architecture built on the G2RINS representation. HiPoly encodes stochastic inter-monomer connectivity, composition, and molecular weight directly within its architecture, using physically motivated design principles that mirror the multi-scale nature of polymeric systems. The framework establishes an end-to-end AI-driven workflow from experimental formulation data to property prediction, generative molecular design, and physics-based validation through molecular simulations, all unified by a single polymer representation. We demonstrate state-of-the-art prediction accuracy for thermophysical properties of multi-component polymer systems, with ablation studies confirming that each hierarchical design choice contributes independently to model performance. As an example, the generative design pathway is applied here to the discovery of sustainable alternatives to persistent fluorinated polymers, where it is possible to identify and independently validate PFAS-free candidates with target surface-energy properties. This work demonstrates how polymer-native AI can accelerate discovery by linking representation, prediction, and design across complex polymer chemistries.
Abstract（参考訳）: 高分子材料は現代技術の中心であり、エネルギーから健康、輸送まで幅広い用途がある。 AIは材料発見において大きな進歩を遂げているが、複数の長さのスケールにわたる高分子の階層構造は、本質的には統一的で物理的に意味のある方法で表現することが困難である。本稿では,G2RINS表現上に構築された3レベル階層グラフアーキテクチャを用いて,完全なポリマー記述を処理する,高分子ネイティブAIフレームワークであるHiPolyを紹介する。 HiPolyは、確率的モノマー間の接続、組成、分子量を直接アーキテクチャ内でエンコードし、物理的に動機づけられた設計原則を用いて、高分子系のマルチスケールの性質を反映している。このフレームワークは、実験的な定式化データから特性予測、生成分子設計、分子シミュレーションによる物理ベースの検証に至るまで、エンドツーエンドのAI駆動ワークフローを確立する。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。例えば、この生成設計経路は、持続的なフッ素系ポリマーに対する持続可能な代替品の発見に応用され、ターゲット表面エネルギー特性を持つPFASのない候補を同定し、独立に検証することができる。この研究は、複雑なポリマー化学をまたいだ表現、予測、設計をリンクすることで、ポリマーネイティブAIが発見を加速する方法を実証する。

関連論文リスト

PolyFusionAgent: A Multimodal Foundation Model and Autonomous AI Assistant for Polymer Property Prediction and Inverse Design [6.729205331174991]
マルチモーダルポリマー基礎モデル(PolyFusion)とツール拡張型文芸デザインエージェント(PolyAgent)を結合した対話型フレームワークであるPolyFusionAgentを紹介する。 PolyFusionは、数百万のポリマーにまたがる配列、トポロジ、3D幾何学、指紋などの相補的なポリマービューを調整し、化学やデータレシエーション間で共有された潜在空間を学習する。 PolyAgentは、予測と逆設計を、高分子文学からのエビデンス検索、提案、評価、文脈化仮説を1つのワークフローで明示的な前例と結びつけて、設計ループを閉じる。
論文参考訳（メタデータ） (2026-05-26T04:45:11Z)
A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文参考訳（メタデータ） (2026-04-17T15:16:33Z)
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)
Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
論文参考訳（メタデータ） (2025-11-26T07:15:00Z)
Unifying Polymer Modeling and Design via a Conformation-Centric Generative Foundation Model [29.414571977709098]
ポリコンFM(PolyConFM)は、コンフォメーション中心の事前学習を通じて高分子モデリングと設計を統合するための基礎モデルである。本研究では, 分子動力学シミュレーションによる初の高品質ポリマーコンホメーションデータセットを構築し, データの分散を緩和する。実験により、PolyConFMは様々な下流タスクにおいて、代表的タスク固有のメソッドよりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2025-10-15T17:11:44Z)
polyGen: A Learning Framework for Atomic-level Polymer Structure Generation [4.6516580885528835]
繰り返し単位化学のような最小の入力から高分子構造に特異的に設計された最初の生成モデルであるpolyGenを紹介する。ポリゲンは、高分子の伝統的な結晶構造予測法の限界を克服し、現実的で多様な線形および分岐配座を生成することに成功した。天然高分子の弾力性を示す最初の原子レベルの実証実験として、物質構造生成の新たな能力を示す。
論文参考訳（メタデータ） (2025-04-24T15:26:00Z)
Inverse Design of Copolymers Including Stoichiometry and Chain Architecture [0.0]
機械学習誘導分子設計は、高分子発見を加速するための有望なアプローチである。我々は,グラフを符号化し,文字列を復号する新しい変分オートエンコーダアーキテクチャを開発した。我々のモデルは、コポリマー構造のデノボ生成を可能にする、連続的でよく構成された潜在空間を学習する。
論文参考訳（メタデータ） (2024-09-30T15:37:39Z)
Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。 16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
論文参考訳（メタデータ） (2023-11-17T20:34:28Z)
A graph representation of molecular ensembles for polymer property prediction [3.032184156362992]
有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-05-17T20:31:43Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)
Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文参考訳（メタデータ） (2020-11-04T21:36:59Z)

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。