Fugu-MT 論文翻訳(概要): Latent JEPA: Abstract Future Prediction for Latent Reasoning in Chemistry

論文の概要: Latent JEPA: Abstract Future Prediction for Latent Reasoning in Chemistry

arxiv url: http://arxiv.org/abs/2610.01947v1
Date: Thu, 01 Oct 2026 16:11:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:24.261629
Title: Latent JEPA: Abstract Future Prediction for Latent Reasoning in Chemistry
Title（参考訳）: Latent JEPA: 化学におけるLatent Reasoningの抽象化予測
Abstract要約: 自動回帰学習と1つ以上の将来のビューの共埋め込み予測を組み合わせたフレームワークであるLatent JEPAを紹介する。 ChemCoTBenchの実験では、分子最適化やいくつかの編集と反応のメトリクスが向上している。これらの知見は、連続潜伏推論と科学的成果を結びつける学習原則として、抽象的未来予測を支持している。
参考スコア（独自算出の注目度）: 8.964177843474411
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language models offer a promising foundation for chemical reasoning, bringing together chemical knowledge and multistep problem solving. Chemical intuition can provide an initial sense of plausible outcomes before the details of a solution are fully worked out. Inspired by how such expectations complement explicit analysis, we study how continuous latent thoughts can be trained to anticipate informative aspects of future solutions without verbalizing every intermediate step. We introduce Latent JEPA, a framework that combines autoregressive learning with joint-embedding prediction of one or more future views. For chemical reasoning, we develop textual and molecular prediction objectives that connect latent thoughts to both subsequent reasoning and molecular outcomes. Experiments on ChemCoTBench show gains in molecular optimization and on several editing and reaction metrics. Representation analyses show that future prediction makes latent thoughts more informative about molecular outcomes and strengthens their correspondence with chemical structure. These findings support abstract future prediction as a learning principle for connecting continuous latent reasoning with scientific outcomes.
Abstract（参考訳）: 大規模言語モデルは化学推論の有望な基盤を提供し、化学知識と多段階の問題解決をもたらす。化学的直観は、解の詳細が完全に解決される前に、妥当な結果の最初の感覚を与えることができる。このような期待が明示的な分析を補完する様子に着想を得て,全ての中間段階を口頭で語らずに,将来の解決策の有意な側面を予測できるように,継続的潜在思考をいかに訓練するかを考察する。自動回帰学習と1つ以上の将来のビューの共埋め込み予測を組み合わせたフレームワークであるLatent JEPAを紹介する。ケミカル推論では、潜在思考とその後の推論と分子結果の両方を結びつけるテキストおよび分子予測の目的を開発する。 ChemCoTBenchの実験では、分子最適化やいくつかの編集と反応のメトリクスが向上している。表現分析は、将来の予測によって、潜在的思考が分子的な結果についてより情報的になり、化学構造との対応が強化されることを示している。これらの知見は、連続潜伏推論と科学的成果を結びつける学習原則として、抽象的未来予測を支持している。

関連論文リスト

Chem World: A Large-Scale Benchmark and Physics-Informed Framework for Trustworthy Chemical Property Prediction [8.367237766104159]
化学特性予測のための総合的なベンチマークであるChem Worldを紹介する。 Chem Worldは17種類の化学データセットと800,000以上の分子サンプルを統合している。また、物理インフォームドニューラルネットワークに基づく予測フレームワークであるMixture-PINNを提案する。
論文参考訳（メタデータ） (2026-07-30T11:50:52Z)
LatentChem: From Textual CoT to Latent Thinking in Chemical Reasoning [107.60117957760794]
テキスト生成から化学的導出を分離する潜在推論インタフェースであるLatntChemを紹介する。我々は,LatentChemがChemCoTBench上のCoTベースラインの強いベースラインに対して59.88%の非ティー勝利率を達成したことを示す。その結果, 化学推論は連続潜伏力学としてより自然かつ効果的に実現されているという実証的証拠が得られた。
論文参考訳（メタデータ） (2026-02-06T01:28:27Z)
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)
Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文参考訳（メタデータ） (2025-10-20T17:56:01Z)
$\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-08-12T05:46:47Z)
MolTRES: Improving Chemical Language Representation Learning for Molecular Property Prediction [14.353313239109337]
MolTRESは化学言語表現学習フレームワークである。ジェネレータと識別器のトレーニングが組み込まれており、より難しい例からモデルを学習することができる。我々のモデルは、一般的な分子特性予測タスクにおける既存の最先端モデルよりも優れています。
論文参考訳（メタデータ） (2024-07-09T01:14:28Z)
Interactive Molecular Discovery with Natural Language [69.89287960545903]
対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
論文参考訳（メタデータ） (2023-06-21T02:05:48Z)
Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation [16.08677447593939]
メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
論文参考訳（メタデータ） (2021-06-14T10:00:39Z)
MEG: Generating Molecular Counterfactual Explanations for Deep Graph Networks [11.291571222801027]
本稿では, 分子特性予測 t の文脈における深層グラフネットワークの説明可能性に取り組むための新しいアプローチを提案する。我々は, 構造的類似度が高く, 予測特性の異なる(有意)化合物の形で, 特定の予測に対する情報的反実的説明を生成する。モデルが非ML専門家に分子の近傍に焦点を絞った学習モデルに関する重要な洞察を伝達する方法を示す結果について議論する。
論文参考訳（メタデータ） (2021-04-16T12:17:19Z)
Drug discovery with explainable artificial intelligence [0.0]
分子科学の機械言語の新しい物語の必要性に対処する「説明可能な」深層学習手法が求められている。このレビューでは、説明可能な人工知能の最も顕著なアルゴリズム概念を要約し、将来の可能性、潜在的な応用、そして残る課題を予測している。
論文参考訳（メタデータ） (2020-07-01T14:36:23Z)
Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。それは最先端技術に対する優れた解釈可能性を示している。接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。