論文の概要: Complex materials engineering via Provenance Action Graphs: potential, structure and demonstration

• arxiv url: http://arxiv.org/abs/2610.18314v1
• Date: Tue, 13 Oct 2026 12:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.615407
• Title: Complex materials engineering via Provenance Action Graphs: potential, structure and demonstration
• Title（参考訳）: Provenance Action Graphsによる複合材料工学--ポテンシャル・構造・実証
• Abstract要約: この研究は、反応ステップ(反応)とその出力(観測)からなる事象を含む物質合成のための反応グラフの可能性について論じ、検証する。 AIの時代への参入は、学習アルゴリズムを使用して多次元合成経路からルールをエンコードする機会を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This work discusses and tests the potential of reaction graphs for material synthesis, in which events consist of reaction steps (actions) and their outputs (observations). The importance comes from the requirement to synthesize technologically useful materials, especially those that are kinetically stabilized. Often, it is a science that follows years of trial and error, culminating in (published) successful recipes, but is truly driven by far more (unpublished) failures. The entry into the era of AI provides an opportunity to use learning algorithms to encode rules from multi-dimensional synthesis pathways, regardless of their technological usefulness, and to decode both forward prediction and inverse learning modes. The main incentive is to accelerate material discovery by generating a global knowledge base that can be shared among data agents and contributed to by them. We will focus on several scenarios in the common synthesis process during solid-state synthesis, primarily because these reactions are kinetic in nature and require closer monitoring and control of the reaction history.
• Abstract（参考訳）: この研究は、反応ステップ(反応)とその出力(観測)からなる事象を含む物質合成のための反応グラフの可能性について論じ、検証する。 この重要性は、技術的に有用な材料、特に運動学的に安定している材料を合成する必要があることに由来する。 多くの場合、何年にもわたって試行錯誤を繰り返し、(出版)成功したレシピに終止符を打つ科学である。 AIの時代に入ると、技術の有用性に関わらず、多次元合成経路からルールを符号化する学習アルゴリズムを使い、前方予測と逆学習モードの両方をデコードする機会が得られる。 主な動機は、データエージェント間で共有され、それらによって貢献されるグローバルな知識ベースを生成することによって、物質発見を加速することである。 固相合成における共通合成過程におけるいくつかのシナリオに焦点をあてる。主な理由は、これらの反応は自然界において運動的であり、反応履歴のより深い監視と制御を必要とするためである。

関連論文リスト

• Large Language Models Transform Organic Synthesis From Reaction Prediction to Automation [3.904238958136483]
  大型言語モデル (LLMs) は化学者が有機合成においてどのように反応を計画し実行するかを再形成し始めている。 LLMは、人間の監督なしに実験を行うロボットに、合成経路を提案し、反応の結果を予測することができる。 本稿では,LLMをグラフニューラルネットワーク,量子計算,リアルタイム分光と組み合わせることで,発見サイクルが小さくなり,よりグリーンでデータ駆動型化学をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-08-07T14:17:23Z)
• Chemist-aligned retrosynthesis by ensembling diverse inductive bias models [5.47805641978534]
  RetroChimeraは、相補的誘導バイアスを持つ2つの新たに開発されたコンポーネント上に構築されたフロンティア再合成モデルである。 トレーニングデータの外部で堅牢性を実証し、主要なモデルを大きなマージンで上回ります。 また、大手製薬会社から内部データセットへのゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2024-12-06T18:55:19Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Adaptive AI-Driven Material Synthesis: Towards Autonomous 2D Materials Growth [17.92848271095797]
  本研究では,進化的手法で学習したニューラルネットワーク(ANN)を用いた自律材料合成の最前線について検討する。 我々のアプローチは、ニューラルネットワークがグラフェンの効率的な成長のための時間依存プロトコルを反復的かつ自律的に学習できることを示します。 この研究は材料工学の分野に大きく貢献し、合成プロセスにおける革新と効率の新しい時代を育む。
  論文  参考訳（メタデータ） (2024-10-10T15:00:52Z)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)
• Dataset Bias in the Natural Sciences: A Case Study in Chemical Reaction Prediction and Synthesis Design [0.8594140167290099]
  化学反応予測と合成設計の分野における方向変化を必要とする3つのトレンドを同定する。 まず、反応データセットを反応物質と試薬に分解する方法は、非現実的な寛大な方法でテストモデルを奨励する。 第2に,誤記データの発生状況に注目し,データ適合性ではなく,異常除去に重点を置くべきであることを示唆する。
  論文  参考訳（メタデータ） (2021-05-06T13:11:56Z)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。