LLM 增强的化学合成与设计决策程序
人工智能
2026-05-12 v2 计算与语言
机器学习
神经与进化计算
化学物理
摘要
反向合成，即将目标分子分解为更简单前体的过程，是有机化学和药物开发的核心。尽管最近的机器学习研究推动了单步反向合成建模和随后的路径搜索，但这些解决方案仍受限于可能路径的庞大组合空间。同时，大语言模型 (LLM) 显示出惊人的化学知识，暗示其有潜力应对化学中的复杂决策任务。在本工作中，我们探讨了 LLM 是否能够成功地导航高度受限的多步骤反向合成规划问题。我们引入一种高效的反应路径编码方案，并提出一种新的路程级搜索策略，超越传统的逐步预测反应物的方法。通过全面评估，我们展示了我们的 LLM 增强方法在反向合成规划方面的卓越表现，并能自然扩展到可综合分子设计的更广泛挑战。
引用
@article{arxiv.2505.07027,
title = {LLM-Augmented Chemical Synthesis and Design Decision Programs},
author = {Haorui Wang and Jeff Guo and Lingkai Kong and Rampi Ramprasad and Philippe Schwaller and Yuanqi Du and Chao Zhang},
journal= {arXiv preprint arXiv:2505.07027},
year = {2026}
}
备注
ICML 2025