GeLLMO：面向多属性分子优化的大语言模型泛化

尽管近期取得了进展，但大多数分子优化的计算方法仅限于单属性或双属性优化任务，且在面对新的优化任务时存在可扩展性和泛化能力差的问题。同时，大语言模型（LLM）展现出了对新任务的出色的域外泛化能力。为了展示 LLM 在分子优化方面的潜力，我们引入了 MuMOInstruct，这是首个专门针对复杂多属性分子优化任务的高质量指令微调数据集。利用 MuMOInstruct，我们开发了 GeLLMOs，一系列用于分子优化的指令微调 LLM。在 5 个域内和 5 个域外任务上的广泛评估表明，GeLLMOs 始终优于最先进的基线方法。GeLLMOs 还展现出了对未见任务的出色零样本泛化能力，显著超越了强大的闭源 LLM。这种强大的泛化能力证明了 GeLLMOs 作为分子优化基础模型的巨大潜力，从而无需资源密集型的重新训练即可解决新的优化任务。MuMOInstruct、模型和代码可通过 https://github.com/ninglab/GeLLMO 获取。