一种用于分子科学的多任务大推理模型
机器学习
2026-03-16 v1
摘要
人工智能在分子科学方面的进展正在迫使从纯数据驱动的预测向知识引导的计算推理范式转变。现有的分子模型主要是专有的，缺乏通用分子智能和可推广性。这凸显了需要能够有效整合科学逻辑与深度学习架构的计算方法的必要性。本文介绍了一个多任务大型推理模型，旨在通过结构化推理和反思来模拟分子科学家的认知过程。我们的方法包含多专业模块以提供多样化的分子专业知识，并通过强化学习增强的链式思维 (CoT) 框架，实现结构化和反思性推理。跨 10 项分子任务和 47 项指标的系统评估表明，我们的模型在基线架构上实现了平均 50.3% 的提升，超越了 20 多项最新基线，包括超大参数基础模型，尽管使用了显著更少的训练数据和计算资源。这验证了将显式推理机制嵌入模型后，能够实现高效学习，使小规模模型在效能和可解释性方面均超过大规模模型。通过对中枢神经系统 (CNS) 药物候选物设计案例研究验证了该计算框架的实际用途，说明其有能力在数据驱动方法与知识集成方法之间建立智能分子设计的桥梁。
引用
@article{arxiv.2603.12808,
title = {A Multi-task Large Reasoning Model for Molecular Science},
author = {Pengfei Liu and Shuang Ge and Jun Tao and Zhixiang Ren},
journal= {arXiv preprint arXiv:2603.12808},
year = {2026}
}