研究人员开发了一种新颖的分子设计方法，利用大型语言模型（LLM）超越了简单的试错法。通过将详细的物理化学原理（如轨道能量和原子电荷）反馈给 LLM，而不仅仅是数值分数，该系统充当了因果推理器。这种自反思方法在针对 HOMO-LUMO 间隙的中等任务上实现了 100% 的成功率，并证明了在多个 LLM 主干上进行偶极矩设计的有效性。 AI
影响 通过为 LLM 提供因果推理能力，实现更具机制性和精确性的分子设计。
排序理由 该集群包含一篇详细介绍使用 LLM 进行分子设计的新方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.09520v1 Announce Type: cross Abstract: Can a general-purpose large language model design molecules with the precision of a seasoned chemist? Current LLM-based frameworks answer this question with scalar feedback loops-generate, score, reject-that amount to informed tri…
Can a general-purpose large language model design molecules with the precision of a seasoned chemist? Current LLM-based frameworks answer this question with scalar feedback loops-generate, score, reject-that amount to informed trial-and-error. Here we show that replacing a single…