面向分子属性预测的属性引导强化学习框架：AttriLens-Mol
机器学习
2026-01-21 v3 人工智能
计算与语言
摘要
大型语言模型（LLM）在辅助分子属性预测任务中显示出潜力，但往往依赖人工设计的提示和链式思考模板。虽然近期先进的大型推理模型如 DeepSeek-R1 采用强化学习进行扩展“思考”过程，但其推理过程冗长且缺乏相关性。我们提出了 AttriLens-Mol，这是一个面向分子属性预测的属性引导强化学习框架。AttriLens-Mol 通过以下方式引导模型推理：(1) 格式奖励鼓励基于属性的结构化输出，(2) 计数奖励防止枚举无关属性，(3) 合理性奖励利用高级 LLM 和 RDKit 验证生成属性的相关性。这一方法隐式地激发了模型对相关分子属性的内在知识，使其能够更有效地进行属性预测。在分布内和分布外数据集上的实验表明，在我们提出的 AttriLens-Mol 方法下，对 7B 规模的 R1-Distilled-Qwen2.5 和 R1-Distilled-LLaMA3.1 模型进行 4,000 样本的训练，显著提升了性能，获得了与监督微调模型（Mol-Instructions、ChemDFM 等）以及先进模型（GPT-3.5、GPT-4o、DeepSeek-V3、DeepSeek-R1 等）相当或更好的结果。进一步地，我们提取的用于目标属性的属性作为可解释决策树模型的特征，性能优于通过提示 LLM 生成的属性。这表明 AttriLens-Mol 有效地激发了更相关且具有预测性的分子属性，实现了属性预测的可解释性和性能提升。我们在 https://github.com/szu-tera/AttriLens-Mol 上发布代码。
引用
@article{arxiv.2508.04748,
title = {AttriLens-Mol: Attribute Guided Reinforcement Learning for Molecular Property Prediction with Large Language Models},
author = {Xuan Lin and Long Chen and Yile Wang},
journal= {arXiv preprint arXiv:2508.04748},
year = {2026}
}
备注
9 pages