論文の概要: Representation Alignment as a Bottleneck in LLM-Based Retrosynthesis Planning

• arxiv url: http://arxiv.org/abs/2609.35571v1
• Date: Mon, 28 Sep 2026 16:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:45:58.224347
• Title: Representation Alignment as a Bottleneck in LLM-Based Retrosynthesis Planning
• Title（参考訳）: LLMを用いた再合成計画におけるボトルネックとしての表現アライメント
• Abstract要約: 直接'SMILES-to-PDDL'の試みは、モデルに化学分析と計画言語構造を同時にジャグリングさせるため失敗する。 分子マッピング,反応マッピング,PDDL生成にレトロ合成を分解することにより,エンド・ツー・エンドのアプローチが失敗する高い成功率を達成する。
• 参考スコア（独自算出の注目度）: 6.5211529033953815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While LLMs show promise in general reasoning, symbolic planning in chemistry remains a bottleneck. Direct ''SMILES-to-PDDL'' attempts fail because they force models to juggle chemical analysis and planning-language structuring simultaneously. We hypothesize that this failure stems from a lack of intermediate abstractions rather than insufficient model capacity. By decomposing retrosynthesis into molecule mapping, reaction mapping, and PDDL generation, we achieve high success rates where end-to-end approaches fail. This provides evidence that a primary bottleneck lies in representation alignment rather than raw model capacity. Our structural analysis demonstrates that intermediate representations are essential in retrosynthesis planning, highlighting the importance of representation-centric design in future systems.
• Abstract（参考訳）: LLMは一般的な推論において有望であるが、化学における象徴的な計画は依然としてボトルネックである。 直接'SMILES-to-PDDL'の試みは、モデルに化学分析と計画言語構造を同時にジャグリングさせるため失敗する。 この失敗は、モデルキャパシティの不足というよりは、中間的な抽象化の欠如に起因している、という仮説を立てる。 分子マッピング,反応マッピング,PDDL生成にレトロ合成を分解することにより,エンド・ツー・エンドのアプローチが失敗する高い成功率を達成する。 これは、主要なボトルネックが、生のモデルのキャパシティではなく、表現のアライメントにあることを証明します。 構造解析により, 中間表現は再合成計画において不可欠であることが示され, 将来のシステムにおける表現中心設計の重要性が強調される。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• PO-PDDL: Learning Symbolic POMDPs from Visual Demonstrations for Robot Planning Under Uncertainty [42.76829847298981]
  実世界のロボットタスクプランニングは、アクション実行と部分観測可能性の両方の下で動作する必要がある。 本稿では,部分観測可能マルコフ決定過程(POMDP)モデルの記号的定式化であるPO-PDDLを紹介する。 提案手法は既存のPDDLおよびPOMDPモデル学習手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-14T07:46:28Z)
• Early Decisions Matter: Proximity Bias and Initial Trajectory Shaping in Non-Autoregressive Diffusion Language Models [54.16797570104461]
  拡散ベースの言語モデル (dLLMs) は自己回帰型言語モデルに代わる有望な代替品として登場した。 時間軸に沿った推論ダイナミクスを系統的に解析し, dLLMの非自己回帰復号化について検討した。
  論文  参考訳（メタデータ） (2026-04-12T10:26:41Z)
• Reinforced Reasoning for End-to-End Retrosynthetic Planning [10.302276947570776]
  再合成計画は有機化学の基本的な課題である。 本稿では,レトロ合成を直接的連鎖推論タスクとして再構成する,エンドツーエンドの生成フレームワークであるReTriPを紹介する。
  論文  参考訳（メタデータ） (2026-03-31T13:22:44Z)
• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Model-First Reasoning LLM Agents: Reducing Hallucinations through Explicit Problem Modeling [3.537921035534423]
  大規模言語モデル(LLM)は複雑な多段階計画タスクに悩まされることが多い。 Chain-of-ThoughtやReActといった既存の戦略は、暗黙的な状態追跡に依存しており、明示的な問題表現がない。 モデル第一推論(MFR: Model-First Reasoning)は、LLMが最初に問題の明示的なモデルを構築した2相パラダイムである。
  論文  参考訳（メタデータ） (2025-12-16T15:07:36Z)
• Exploiting Symbolic Heuristics for the Synthesis of Domain-Specific Temporal Planning Guidance using Reinforcement Learning [51.54559117314768]
  最近の研究は、時間プランナーの性能向上のためのガイダンスの合成に強化学習(Reinforcement Learning, RL)を用いることを検討した。 本稿では,RLと計画段階の両方において,シンボリックスが提供した情報を活用することに焦点を当てた学習計画フレームワークの進化を提案する。
  論文  参考訳（メタデータ） (2025-05-19T17:19:13Z)
• Latent Diffusion Planning for Imitation Learning [78.56207566743154]
  Latent Diffusion Planning (LDP) は、プランナーと逆ダイナミクスモデルからなるモジュラーアプローチである。 行動予測からプランニングを分離することにより、LDPは最適なデータと行動自由データのより密集した監視信号の恩恵を受けることができる。 シミュレーションされた視覚ロボット操作タスクにおいて、LDPは最先端の模倣学習アプローチより優れている。
  論文  参考訳（メタデータ） (2025-04-23T17:53:34Z)
• On the Limit of Language Models as Planning Formalizers [4.145422873316857]
  大規模言語モデルは、地上環境では実行不可能で検証不可能な計画を作成することが発見されている。 新たな作業のラインは、LLMをフォーマライザとして使用して、ある言語で計画領域を形式的に表現することに成功したことを示している。 この形式的表現は、計画を見つけるために決定論的に解決できる。
  論文  参考訳（メタデータ） (2024-12-13T05:50:22Z)

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。