論文の概要: Magnolia: A Persistent-Memory Agent Framework for Computational Chemistry

• arxiv url: http://arxiv.org/abs/2610.27230v1
• Date: Mon, 19 Oct 2026 19:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.48861
• Title: Magnolia: A Persistent-Memory Agent Framework for Computational Chemistry
• Title（参考訳）: Magnolia: 計算化学のための永続記憶エージェントフレームワーク
• Abstract要約: 我々は、永続メモリ人工知能エージェントフレームワークMagnoliaを紹介する。 ドッキングから量子化学、ラボノート、チャットログまで、計算プロトコルを統合している。 本稿では, 芳香族系の量子化学的評価, ブタンの分子動力学, 修飾DNAの分子動力学, タンパク質-ペプチドドッキングキャンペーンの4つのケーススタディについて述べる。
• 参考スコア（独自算出の注目度）: 2.712013875326022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chemistry has recently entered a high-data regime as molecular databases from high-throughput platforms or computational studies have become available. Increasing automation within the chemical sciences leads to a more digital and precision chemistry. Dedicated scientific agents are becoming central to guiding the chemist through an ever-increasing amount of data and findings, including negative ones. Here, we introduce Magnolia, a persistent-memory artificial intelligence agent framework that integrates computational protocols, from docking to quantum chemistry, lab notebooks and chat logs relying on large language models (LLMs). It relies on a three-tier memory system: session-level observations are automatically captured and distilled into structured learnings, confirmed and elevated to project-tier entries and, when human-validated, promoted to cross-project rules that actively guide subsequent work and provide direct chemical feedback. We illustrate Magnolia on four case studies: quantum-chemical evaluation of aromatic systems (COMPAS database), molecular dynamics of butane and of modified DNA, and a protein-peptide docking campaign. Across these projects, Magnolia tracked 317 runs and accumulated 116 project-tier entries, from which four cross-project rules were promoted; in controlled replays of four tasks, runs with memory passed the checks that runs without it failed (for example, ten of ten docking-configuration checks, against one to four of ten). By combining automation, reproducibility, and human-in-the-loop control, our Magnolia framework streamlines docking, molecular dynamics and quantum chemistry calculations with direct analysis and LLM-augmented feedback, offering accelerated access to computational (bio)chemistry.
• Abstract（参考訳）: 化学は、最近、高スループットプラットフォームや計算研究からの分子データベースが利用可能になったため、ハイデータ体制に入った。 化学科学における自動化の増大は、よりデジタルで精密な化学に繋がる。 科学の専門的エージェントは、陰性なものを含むデータや発見の増大を通じて、化学者を導くための中心的存在になりつつある。 ここでは、ドッキングから量子化学、実験ノート、大規模言語モデル(LLM)に依存するチャットログまで、計算プロトコルを統合する永続メモリ人工知能エージェントフレームワークであるMagnoliaを紹介する。 セッションレベルの観察は自動的にキャプチャされ、構造化された学習に蒸留され、プロジェクトレベルのエントリに確認され、高められる。 Magnoliaは芳香族系の量子化学的評価(COMPASデータベース)、ブタンの分子動力学、修飾DNAの分子動力学、タンパク質-ペプチドドッキングキャンペーンの4つのケーススタディについて説明する。 これらのプロジェクト全体で、Magnoliaは317回の実行と116回のプロジェクトレベルのエントリを追跡し、そこから4つのクロスプロジェクトルールが推進された。 Magnoliaフレームワークは、自動化、再現性、およびループ制御を組み合わせることで、ドッキング、分子動力学、量子化学計算を、直接解析とLLM拡張されたフィードバックで効率化し、計算(バイオ)化学への迅速なアクセスを提供する。

関連論文リスト

• Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
  ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。 この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-01-25T04:23:34Z)
• ChemOrch: Empowering LLMs with Chemical Intelligence via Synthetic Instructions [52.79349601462865]
  ChemOrchは化学的に接地した命令応答対を合成するフレームワークである。 ChemOrchは、生成したタスクに対して、制御可能な多様性と難易度を実現する。
  論文  参考訳（メタデータ） (2025-09-20T05:43:58Z)
• A Multi-Agent System Enables Versatile Information Extraction from the Chemical Literature [8.306442315850878]
  我々は,堅牢かつ自動化された化学情報抽出のためのマルチモーダル大規模言語モデル (MLLM) ベースのマルチエージェントシステムを開発した。 文献から得られた高精細なマルチモーダル化学反応画像のベンチマークデータセットにおいて,本システムは80.8%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-07-27T11:16:57Z)
• 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)
• ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning [64.2106664137118]
  ChemAgentは,大規模言語モデル(LLM)の性能向上を目的とした,新しいフレームワークである。 化学タスクをサブタスクに分解し、これらのサブタスクを将来のクエリに参照可能な構造化されたコレクションにコンパイルすることで開発される。 新しい問題を提示すると、ChemAgentは、私たちがメモリと呼ぶライブラリから関連する情報を検索し、精査する。
  論文  参考訳（メタデータ） (2025-01-11T17:10:30Z)
• ChemLLM: A Chemical Large Language Model [49.308528569982805]
  大規模言語モデル(LLM)は化学応用において顕著な進歩を遂げた。 しかし、コミュニティには化学に特化したLLMが欠落している。 本稿では,化学に特化した最初のLLMを特徴とする包括的フレームワークであるChemLLMを紹介する。
  論文  参考訳（メタデータ） (2024-02-10T01:11:59Z)

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。