PulseAugur
中
实时 10:01:50
English(EN) Improving Molecular Property Prediction in Small Language Models Using Graph-based Tools

小型语言模型通过图工具增强分子预测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个上下文增强提示框架，以增强小型语言模型（SLMs）的分子性质预测能力。该框架使SLMs能够在推理时利用基于图的工具，提供预测线索并提取解释性子图。通过整合图派生的上下文，模型在MUTAG上准确率提高了25%，在Tox21上提高了74%。尽管这些进展显示了文本条件推理对分子结构的价值，但与专门的图神经网络（GNN）模型相比，仍然存在性能差距。 AI

影响 增强了小型语言模型的分子性质预测能力，有望加速药物发现和材料科学研究。

排序理由 详细介绍一种新方法以提高模型性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

小型语言模型通过图工具增强分子预测能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Konstantinos Bougiatiotis, Dimitrios Kelesis, Georgios Paliouras ·

    使用基于图的工具改进小型语言模型中的分子性质预测

    arXiv:2607.13115v1 Announce Type: new Abstract: Small language models (SLMs) have shown promise for zero-shot molecular property prediction from SMILES strings, yet they often suffer from structural blindness because sequence representations under-specify key graph-topological cu…

相关实体

相关话题