Logos：面向理性分子设计的可进化推理引擎

功能分子的发现与设计仍是化学、生物和材料科学的核心挑战。尽管近期机器学习进展加速了分子性质预测和候选物生成，但现有模型往往要么在物理保真性上表现优异而缺乏可解释推理，要么在推理灵活性上却无法保证化学有效性。这种不平衡限制了人工智能系统在实际科学设计工作流程中的可靠性。本文提出 Logos，一个紧凑的分子推理模型，融合多步骤逻辑推理与严格的化学一致性。Logos 采用分阶段训练策略：首先让模型学习显式的推理示例，将分子描述与结构决策关联起来，然后逐步将这些推理模式与分子表示对齐。在最终训练阶段，直接将化学规则和不变量纳入优化目标，引导模型生成符合化学有效性的输出。在多个基准数据集上，Logos 在结构准确性和化学有效性方面均表现出色，既匹配又超越了大量通用语言模型，却仅使用了其参数的极小比例。除了基准评估外，Logos 在涉及多个可能相互冲突约束的分子优化任务中表现出稳定行为。通过显式暴露中间推理步骤，Logos 使人类能够检查和评估每个生成结构背后的设计逻辑。这一结果表明，同时优化推理结构与物理一致性为可靠且可解释的分子科学人工智能系统提供了可行路径，支持人工智能更深入地融入科学发现进程。