EvoMD-LLM：用于反应性分子动力学中物种演化语言建模的框架
人工智能
2026-05-29 v1
摘要
虽然大型语言模型（LLM）在静态科学推理方面表现卓越，但在建模动态物理过程的时间结构方面仍存在挑战。我们提出了EvoMD-LLM（Evolutionary Molecular Dynamics Large Language Model），一个将物种水平的分子动力学重新表述为符号时序语言建模问题的框架。将反应性分子动力学轨迹离散化为分子事件序列，其中每个token表示一个带有持续时间的化学物种，从而使标准自回归LLM能够通过高效微调学习时间上的组合演化。EvoMD-LLM的一个关键组件是时序支架（temporal scaffolding），它将事件持续时间作为显式语言token处理，作为结构化归纳偏置，显著降低了与常规序列建模方法相比的无效或幻觉分子输出。我们在多个时序预测任务上评估了EvoMD-LLM，最高可达66.14%准确率，并持续优于顺序神经网络和语言基线方法。除了量化改进外，我们定性观察到该模型能够生成对自身预测的解释，尽管其未获得带有轨迹-解释配对数据的监督。这一结果表明，符号时序语言建模为在动态物理模拟中为LLM提供了有效的 grounding 框架。
引用
@article{arxiv.2605.29394,
title = {EvoMD-LLM: Learning the Language of Species Evolution in Reactive Molecular Dynamics},
author = {Zhichen Tang and Zhengzheng Dang and Yulin Chen and Jixin Wu and Haiwen Li and Yanming Wang},
journal= {arXiv preprint arXiv:2605.29394},
year = {2026}
}
备注
17 pages, ACL Findings