ChemReasoner: Heuristic Search over a Large Language Model’s Knowledge Space using Quantum-Chemical Feedback

要約

新しい触媒の発見は、持続可能な未来に移行するための、より効率的な新しい化学プロセスの設計に不可欠です。
言語推論と 3D 原子表現からの量子化学ベースのフィードバックを統合する、AI 誘導の計算スクリーニング フレームワークを導入します。
私たちのアプローチは、触媒発見を、大規模言語モデル (LLM) 由来の仮説とアトミスティック グラフ ニューラル ネットワーク (GNN) 由来のフィードバックの反復的な組み合わせを介して、エージェントが非常に効果的な触媒を能動的に探索する不確実な環境として定式化します。
中間探索ステップで特定された触媒は、空間配向、反応経路、安定性に基づいて構造評価を受けます。
吸着エネルギーと反応エネルギー障壁に基づくスコアリング機能は、LLM の知識空間での探索をエネルギー的に有利な高効率触媒に導きます。
私たちは、人間の入力なしで探査を自動的にガイドする計画手法を導入し、専門家が列挙した化学記述子ベースの実装と比較して競争力のあるパフォーマンスを提供します。
言語に基づく推論と計算化学のフィードバックを統合することで、私たちの研究は AI によって加速される信頼できる触媒発見の先駆者となります。

要約(オリジナル)

The discovery of new catalysts is essential for the design of new and more efficient chemical processes in order to transition to a sustainable future. We introduce an AI-guided computational screening framework unifying linguistic reasoning with quantum-chemistry based feedback from 3D atomistic representations. Our approach formulates catalyst discovery as an uncertain environment where an agent actively searches for highly effective catalysts via the iterative combination of large language model (LLM)-derived hypotheses and atomistic graph neural network (GNN)-derived feedback. Identified catalysts in intermediate search steps undergo structural evaluation based on spatial orientation, reaction pathways, and stability. Scoring functions based on adsorption energies and reaction energy barriers steer the exploration in the LLM’s knowledge space toward energetically favorable, high-efficiency catalysts. We introduce planning methods that automatically guide the exploration without human input, providing competitive performance against expert-enumerated chemical descriptor-based implementations. By integrating language-guided reasoning with computational chemistry feedback, our work pioneers AI-accelerated, trustworthy catalyst discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google