一篇新的arXiv论文介绍了一种上下文增强提示框架,旨在增强小型语言模型(SLMs)的分子属性预测能力。该框架使SLMs能够利用外部工具,特别是图神经网络(GNN)专家模型,来接收预测提示并提取带有解释的相关子图。在MUTAG和Tox21数据集上的实验表明,准确性得到了显著提高,当图派生上下文被纳入提示时,相对增益通常超过25%,在Tox21上最高可达74%。尽管取得了这些进展,研究指出与专用GNN模型相比,性能差距依然存在,这表明文本条件推理对于分子结构的持续价值和局限性。 AI
影响 增强了小型语言模型的分子属性预测能力,有望加速药物发现和材料科学研究。
排序理由 该集群基于一篇arXiv预印本,其中详细介绍了一种改进AI模型在特定任务上性能的新研究方法。
- Graph neural network
- Konstantinos Bougiatiotis
- small language model
- Tox21
- arXiv
- Molecular Property Prediction Based on a Multichannel Substructure Graph
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →