グラフニューラルネットワーク– tag –
-
アルゴンヌ国立研究所がAI駆動型フレームワーク「ChemGraph」を発表、材料研究をLLMで加速
Argonne National Laboratory アメリカ 概要 アルゴンヌ国立研究所は、計算化学および材料科学シミュレーションのセットアップ、実行、分析を自動化するオープンソースのAI駆動型フレームワーク「ChemGraph」を発表しました。このシステムは、大規模言語モ... -
材料科学に機械学習が深く浸透、LLM活用で自律的な材料発見を加速
Google Cloud Vertex AI Search アメリカ 概要 材料科学における機械学習の進展を包括的に概観するレビューが公開され、特にグラフニューラルネットワーク、機械学習インターアトミックポテンシャル（MLIP）、および大規模言語モデル（LLM）を用いた閉ルー... -
シンガポール国立大学、エネルギー材料向けAIワークショップを2026年7月に開催し発見加速
National University of Singapore (NUS) シンガポール 概要 シンガポール国立大学（NUS）は、ソリッドステートイオニクス会議2026と併催で「AI for Energy Materials」ワークショップを2026年7月10日に開催します。このワークショップでは、材料インフォ... -
エディンバラ大学、固溶体結晶の物性予測精度を向上させるネスト型結晶グラフニューラルネットワークを開発
Edinburgh Research Explorer イギリス 概要 エディンバラ大学の研究者らは、化学的に複雑な固溶体結晶の物性予測精度を大幅に向上させる「Solid Solution Nested Graph Neural Network (SSNGNN)」を開発しました。SSNGNNは、組成情報と構造情報をネスト型... -
Google DeepMindとMeta主導、科学的発見を加速するAIツールとデータセットの厳選リスト公開
GitHub アメリカ 概要 GitHubリポジトリ「awesome-ai-for-science」が公開され、物理学、化学、生物学、材料科学など幅広い分野で科学的発見を加速するAIツール、ライブラリ、論文、データセット、フレームワークが厳選されて紹介されています。Google Dee... -
東京科学大学、ALIGNNとクラスタリング融合AIで材料予測の解釈性を大幅向上、光学吸収スペクトルを精密予測
Lab Manager 日本 概要 東京科学大学の研究チームは、グラフニューラルネットワーク（ALIGNN）と階層的クラスタリングを組み合わせることで、AIによる材料予測の解釈性を画期的に高める新手法を開発しました。この手法は、原子構造から高次元の光学吸収ス... -
MDPI Buildingsに機械的に制約されたGNN発表、平面フレーム構造の線形静的解析精度を向上
MDPI Buildings スイス 概要 この研究は、平面トラスおよび建築骨組構造の2D線形弾性静的解析のための、機械的に制約されたグラフニューラルネットワーク（GNN）手法を開発しました。この手法は、構造システムをグラフとして表現し、様々な構造的特徴と境... -
Oxford Academicが機械学習とLLM連携で高エントロピー合金触媒の電極触媒活性を解明、高スループット探索を実現
National Science Review (Oxford Academic) 中国 概要 Oxford Academicに発表された研究は、機械学習（特にグラフニューラルネットワーク）とLLM駆動型共同フレームワークを組み合わせ、高エントロピー合金（HEA）電極触媒の電極触媒活性との相関関係を解... -
arXivにMMGNN発表：分子グラフを多レベル・多色サブグラフに分解し、分子特性予測を改善
arXiv (via ResearchGate) アメリカ 概要 arXivにて、多レベル・多色グラフニューラルネットワーク（MMGNN）が発表されました。これは、分子グラフを重複する原子種ペア固有のサブグラフに分解する階層的フレームワークで、原子レベルの分解能を保持しつつ... -
Hugging FaceがCrystalCLRとCHGNetを発表、機械学習で材料特性予測を改善
Hugging Face アメリカ 概要 Hugging Faceは、CrystalCLRフレームワークとCHGNet機械学習原子間ポテンシャルの発表を通じて、材料特性予測の新たな進歩を強調しました。CrystalCLRは結晶グラフニューラルネットワークを用いたコントラスティブ学習により材... -
Matforge社、AI科学者で半導体材料ボトルネックを打破：Google GNoMEとMicrosoft MatterGenが新結晶構造発見を加速
Founderland アメリカ 概要 サンフランシスコのスタートアップMatforgeが、AI科学者を活用して半導体向け新材料を発見し、1兆ドル規模のチップ需要における材料ボトルネック解消を目指している。Google DeepMindのGNoMEプロジェクトは220万の新規結晶構造... -
結晶構造予測の形式理論が結晶構造の逆設計と材料特性予測を革新
arXiv アメリカ 概要 結晶構造予測のための形式理論が発表され、制約付き結晶深層畳み込み生成敵対的ネットワーク（CG-DCGAN）を用いた結晶構造の逆設計や、グラフニューラルネットワーク（GNN）を用いた材料特性予測への応用が言及されている。この研究は... -
Google DeepMindのGNoMEが220万の安定結晶構造を発見、エネルギー材料設計に新時代
DEV Community 多国籍 概要 AIがクリーンエネルギー材料の発見を劇的に加速させ、これを「材料問題」から「発見速度の課題」へと転換していると報じられました。Google DeepMindのGNoMEは、220万の新しい安定結晶構造を特定し、そのうち38万は実用可能であ... -
bioRxiv、タンパク質複合体界面評価に「ORIGAMI」方向認識型GNNを開発
bioRxiv 不明 概要 bioRxivに公開された研究で、タンパク質複合体構造の多量体界面を評価するための、方向認識型グラフニューラルネットワーク（GNN）である「ORIGAMI」が発表されました。ORIGAMIは、スカラーノード表現と3Dベクトルノード表現の両方を活... -
arXiv、Pyhtonフレームワーク「PolyGraphPy」で原子シミュレーションとML駆動型ポリマー設計を統一
arXiv 不明 概要 arXivに公開された論文が、ポリマーの原子シミュレーションと機械学習（ML）駆動型設計のための統一Pythonフレームワーク「PolyGraphPy」を導入しました。このオープンソースフレームワークは、原子シミュレーションと機械学習をシームレ... -
ResearchGate、NequIPとGNNがアモルファス材料の多体相互作用をDFTより4桁低コストで予測
ResearchGate 不明 概要 最新の研究で、溶媒フリーポリマーグラフト化ナノ粒子（PGN）のモデルソフトガラスにおける多体相互作用の予測にグラフニューラルネットワーク（GNN）の一種であるNequIPが適用されました。NequIPは、系の高次元で起伏の多いポテン... -
arXiv、マルチモーダル学習とGNNでスタック型2D材料の特性予測を高度化
arXiv 不明 概要 arXivに公開された最新の研究で、スタック型二次元（2D）材料の特性予測のためのマルチモーダル学習アプローチ「BiMat-ML」が提案されました。この手法は、計算コストの高い密度汎関数理論（DFT）に代わり、グラフニューラルネットワーク... -
湾岸大学、AIとグラフニューラルネットワークで材料特性予測の革命を推進
Gulf University バーレーン 概要 湾岸大学（Gulf University）の研究が、AI、特にグラフニューラルネットワーク（GNN）が工学研究、特に材料科学において革新的な変化をもたらしていることを強調しています。GNNは材料の原子構造から硬度、導電性、熱安定... -
Google DeepMindのGNoMEが200万以上の新結晶構造を予測、AIと自律型ラボが化学工学を革新
Medium アメリカ 概要 Google DeepMindのGNoMEプロジェクトが、グラフニューラルネットワーク（GNN）を用いて200万以上の新しい安定な結晶構造を予測し、過去1世紀の既知材料カタログの総数を上回る成果を達成しました。これにより、自律型ラボ（A-Lab）が...
12