Fugu-MT 論文翻訳(概要): ActMOF: Mapping Reticular Synthesis through Active Learning

論文の概要: ActMOF: Mapping Reticular Synthesis through Active Learning

arxiv url: http://arxiv.org/abs/2610.19404v1
Date: Wed, 14 Oct 2026 01:52:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:15.891545
Title: ActMOF: Mapping Reticular Synthesis through Active Learning
Title（参考訳）: ActMOF:アクティブラーニングによるレチキュラー合成のマッピング
Abstract要約: ActMOFは、アルミニウム-カルボキシレートMOF合成における探索戦略を比較するための実験的なベンチマークである。 GPファミリーは、スパース合成ランドスケープにおける活発な学習のための主要な政策の1つに位置づけられた。その後、6つの非晶質アルミニウムMOFのマイクロ波合成を導くことで転写性を示した。
参考スコア（独自算出の注目度）: 2.2597923424431916
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reticular chemistry allows metal-organic frameworks (MOFs) to be designed from their building units, yet their synthesis remains constrained by sparse experimental data, noisy crystallization outcomes, and the absence of benchmarks for comparing active-learning strategies. While data-driven approaches such as Bayesian optimization (BO) can improve synthesis success rates, selecting appropriate optimizers beforehand for mapping MOF crystallization landscapes remains largely empirical. Here we present ActMOF, an experiment-grounded benchmark for comparing search strategies in aluminum-carboxylate MOF synthesis. ActMOF is emulated from experimentally measured microwave syntheses with each encoded condition assigned a crystallinity index calculated based on diffraction peak intensity and full width at half-maximum. By benchmarking policies guided by Gaussian processes (GP), tree ensembles and large language models (LLM), ActMOF placed the GP family among the leading policies for active learning in sparse synthesis landscapes. It then demonstrated transferability by guiding the microwave synthesis of six reticularly related aluminum MOFs. All six campaigns gave crystalline products within a fixed budget of 12 experiments each, and established a reusable testbed for AI-driven MOF synthesis.
Abstract（参考訳）: レチキュラー化学は、金属-有機フレームワーク(MOF)を建築単位から設計することを可能にするが、その合成は、希少な実験データ、ノイズの多い結晶化結果、そしてアクティブラーニング戦略を比較するためのベンチマークが欠如していることに制約されている。ベイズ最適化(BO)のようなデータ駆動型アプローチは、合成の成功率を改善することができるが、MOF結晶化ランドスケープをマッピングするための適切なオプティマイザを事前に選択することは、主に経験的である。本稿では,アルミニウム-カルボキシレートMOF合成における探索戦略を比較するための実験的なベンチマークであるActMOFを紹介する。 ActMOFは、回折ピーク強度と半最大幅のフル幅に基づいて計算された結晶度指数を符号化された各条件で実験的に測定したマイクロ波合成からエミュレートされる。ガウス過程(GP)、ツリーアンサンブル、大言語モデル(LLM)によって導かれるポリシーのベンチマークによって、ActMOFはGPファミリーをスパース合成ランドスケープにおける活発な学習のための主要なポリシーの1つに位置づけた。その後、6つの非晶質アルミニウムMOFのマイクロ波合成を導くことで転写性を示した。 6つのキャンペーンはすべて、12の実験の固定予算内で結晶製品を提供し、AI駆動のMOF合成のための再利用可能なテストベッドを確立した。

関連論文リスト

RxnOptBench: Benchmarking LLMs for Reaction-Condition Optimization in Organic Methodology [38.693621174406054]
RxnOptBench(RxnOptBench)は、2025年に発表された有機メソドロジー論文のベンチマークである。それは宣言された見出し効用から導かれる連続相対スコアによって評価された。パラメトリック記憶から文献証拠の文脈内使用を分離する前例-vs-no-precedentsデザインのペアを備える。
論文参考訳（メタデータ） (2026-09-29T15:17:31Z)
Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
論文参考訳（メタデータ） (2026-06-17T11:42:01Z)
Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文参考訳（メタデータ） (2026-05-27T23:48:01Z)
When Single Answer Is Not Enough: Rethinking Single-Step Retrosynthesis Benchmarks for LLMs [3.973137925060284]
単段回帰合成のための新しいベンチマークフレームワークを提案する。正確なマッチングに対する妥当性を強調することで、このアプローチは人間の合成計画プラクティスとよりよく一致します。 LLMトレーニングのための数百万のChemCensor-validated reaction recordからなる新しいデータセットCREEDについても紹介する。
論文参考訳（メタデータ） (2026-02-03T14:03:32Z)
Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles [0.0]
銅ナノ粒子(Cu NPs)は広い適用性を持つが、その合成は反応パラメータの微妙な変化に敏感である。本研究は, マイクロ波支援ポリオール合成によるCu NPのサイズを予測するための機械学習について, 室内で行った25種類の小さなデータ集合を用いて検討した。
論文参考訳（メタデータ） (2025-12-18T13:53:08Z)
ChemBOMAS: Accelerated BO in Chemistry with LLM-Enhanced Multi-Agent System [72.63341091857959]
本稿では,大規模言語モデル(LLM)によるベイズ最適化を高速化するマルチエージェントシステムであるChemBOMASを紹介する。データ駆動型戦略は、わずか1%のラベル付きサンプルに微調整された8BスケールのLCMレジストレータを含む。知識駆動型戦略では、検索空間の分割においてLLMを導くために、ハイブリッドなRetrieval-Augmented Generationアプローチを採用している。 ChemBOMASはベースライン方式に比べて最適化効率を最大5倍に向上させた。
論文参考訳（メタデータ） (2025-09-10T16:24:08Z)
ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
論文参考訳（メタデータ） (2025-06-30T05:11:19Z)
LLM-based MOFs Synthesis Condition Extraction using Few-Shot Demonstrations [31.35595673239483]
大規模言語モデル(LLM)は、この長年の問題に対する破壊的な新しい解決策を提供する。本稿では,LLMの文脈内学習パラダイムについて紹介する。提案した少数ショットLLMの合成,構造推定,材料設計性能は,いずれもゼロショットLLMとベースライン法を大きく上回っている。
論文参考訳（メタデータ） (2024-08-06T14:53:25Z)
Bespoke Nanoparticle Synthesis and Chemical Knowledge Discovery Via Autonomous Experimentations [6.544041907979552]
本稿では,光学特性を目標としたナノ粒子(NP)の設計のための自律的な実験プラットフォームについて報告する。このプラットフォームは、AI最適化モデリングのフィードバックに基づいて、NPのバッチ合成モジュールとUV-Vis分光モジュールの間をクローズループで動作させる。優れた材料開発効率に加えて、合成変数の解析により、Ag NP合成におけるクエン酸の効果を含む新しい化学が明らかにされる。
論文参考訳（メタデータ） (2023-09-01T09:15:04Z)
Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文参考訳（メタデータ） (2022-08-26T04:28:01Z)

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。