エネルギッシュ材料探索のための生成化学言語モデル

Abstract

新しい高エネルギー材料の発見は、高品質データの入手可能性が限られていることにより妨げられ、依然として差し迫った課題である。これに対処するため、我々は大規模な化学データで事前学習した生成的分子言語モデルを開発し、その後、厳選した高エネルギー材料データセットで微調整した。この転移学習戦略により、これまで主に開発されてきた薬理学的領域を超えて化学言語モデルの能力を拡張し、他のデータが乏しい発見課題にも適用可能な枠組みを提供する。さらに、化学言語モデルに対するフラグメントベースの分子エンコーディングの利点、特に合成的にアクセス可能な構造を構築する上での利点について議論する。これらの進展は、要求の厳しい性能要件を満たす次世代の高エネルギー材料の設計を加速するための基盤を与える。