通过 MechSMILES 教授语言模型的机械可解释性
机器学习
2026-04-20 v2 化学物理
摘要
化学反应机械学是分子评估活性和可行性的基础，而当前的计算机辅助合成规划 (CASP) 系统则缺乏这种机械推理。我们引入了一个计算框架，通过电子流动的箭头推送形式 (arrow-pushing formalism) 来教授语言模型预测反应机械，这是一种百年不变的记号法，既跟踪电子流动，又确保质量和电荷的守恒。这种机械理解使得三项当前方法难以实现或无法实现的能力成为可能：通过重建物理上合情的电子路径，对 CASP 提案进行事后验证；实现从原子到原子的整体成分映射，跟踪所有原子包括氢原子；提取具备催化剂意识的反应模板，区分已循环催化剂与旁观者物种。我们方法的核心是 MechSMILES，这是一种紧凑的文本格式，通过三种箭头类型编码分子结构和电子流动，设计于基于 Python 的环境中，以确保守恒定律并消除原子幻觉的可能性。我们在四个不断增加复杂度的机械预测任务上进行训练和基准测试，使用文献中主要的机械数据集。对于我们最具挑战性的任务——仅凭反应物、条件和期望产物预测完整机械过程，我们的模型在 FlowER 和 mech-USPTO-31k 数据集上分别实现了 93.2% 和 73.3% 的路径检索率，Top-3 检索率分别达到 97.6% 和 86.5%。此外，该框架能够快速学习新反应类，仅需各 40 个训练样本即可获得对偶光解和苯并咪唑交叉偶联反应的强有力机械预测。通过以物理上有意义的电子运动为基础，这项工作为更具可解释性和化学有效性的 CASP 提供了一个无特定架构、开源的基础设施。
引用
@article{arxiv.2512.05722,
title = {Teaching Language Models Mechanistic Explainability Through MechSMILES},
author = {Théo A. Neukomm and Zlatko Jončev and Philippe Schwaller},
journal= {arXiv preprint arXiv:2512.05722},
year = {2026}
}