MSP-LLM: 完全の材料合成計画ための統合大文字言語モデルフレームワーク

材料合成計画 (MSP) が人工知能（AI）に基づく素材開発における重要なと理解されつつも、未だ深刻な課題となっています。これは、新たな素材を特定するだけでなく、必要かつ適切な反応の連鎖を使用して目標となる材料を実現するために合成プロセスの設計を見定めるために必要な知識に従事します。 AIに基づくアプローチに対してもたらされ、MSPの単離した部分タスクを解決すると提案されたいくつかの方法があった一方で、これらの全てのタスクを解決するための統合のメソッドはまだ作られていません。我々は、材料合成計画 (MSP) と2つの組成的な問題である前製品推定(PP)と合成プロセスの予測(SOP)に基づいて形式化されたプロセスから構成される一貫したLLM ベースフレームワーク MSP-LLM を提案します。我々のアプローチは、誘導変数として離散的な材料クラスを使用することによって、二つのタスクを化学的に連続的な決定チェーンに組み込むことを図ります。 その上で、OPには昇階製品タイプが合成に関与するインductive偏差として組み込まれたとおり、さらにオプションの条件付いた対応により、プリセンドーターリソースから情報を保存します。我々の効果的なフレームワークは、実践的な材料の発見を加速するために適切でスケール可能です。

arXiv:2602.07543v1 Announce Type: new Abstract: Material synthesis planning (MSP) remains a fundamental and underexplored bottleneck in AI-driven materials discovery, as it requires not only identifying suitable precursor materials but also designing coherent sequences of synthesis operations to realize a target material. Although several AI-based approaches have been proposed to address isolated subtasks of MSP, a unified methodology for solving the entire MSP task has yet to be established. We propose MSP-LLM, a unified LLM-based framework that formulates MSP as a structured process composed of two constituent subproblems: precursor prediction (PP) and synthesis operation prediction (SOP). Our approach introduces a discrete material class as an intermediate decision variable that organizes both tasks into a chemically consistent decision chain. For OP, we further incorporate hierarchical precursor types as synthesis-relevant inductive biases and employ an explicit conditioning strategy that preserves precursor-related information in the autoregressive decoding state. Extensive experiments show that MSP-LLM consistently outperforms existing methods on both PP and SOP, as well as on the complete MSP task, demonstrating an effective and scalable framework for MSP that can accelerate real-world materials discovery.