Smiles
PulseAugur coverage of Smiles — every cluster mentioning Smiles across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新框架 MolBasic 通过 SMILES-图转换增强 LLM 的分子理解能力
研究人员推出 MolBasic，一个旨在增强大型语言模型 (LLM) 分子理解能力的新框架。该方法解决了 LLM 无法可靠地从标准 SMILES 中捕获分子图的问题，这是化学中结构决定功能的根本方面。MolBasic 利用 SMILES-图转换机制来对齐序列和拓扑表示，并辅以多级结构感知基准和带有思维链提示的渐进式学习方案。实验表明，MolBasic 显著提高了结构理解能力，并在属性预测和优化等下游任务上取得了更好的性能。
-
新型神经网络融合三维几何、拓扑和物理学用于分子预测
研究人员开发了一种新颖的三分支模块化融合神经网络，旨在改进分子性质预测。该框架整合了三种不同的数据模态：使用SchNet的三维空间几何、通过SMILES和ChemBERTa的离散拓扑语法，以及来自Deep & Cross网络的显式宏观理化描述符。通过结合这些正交流，该模型克服了图神经网络等传统方法的局限性，如过平滑，并在QM9基准测试中实现了0.0207 eV的原子化能预测平均绝对误差。该高效架构拥有不到一百万个参数，显著降低了误差，…
-
BPE 对比 Unigram-LM：分词算法为化学 SMILES 创建了不同的词汇表
一篇新的研究论文探讨了两种常见的分词方法——字节对编码 (BPE) 和 Unigram-LM——在应用于化学 SMILES 字符串时产生的差异。研究发现，这些算法会产生显著不同的词汇表，其中 Unigram-LM 将分子分割成比 BPE 更多的 token。这表明子词算法的选择对于化学语言模型来说是一个关键的建模决策，而不是一个默认设置。
-
Rust库通过显式图格式增强LLM分子推理能力
一个名为chematic的Rust化学信息学库已被开发出来，以改进大型语言模型（LLM）处理分子数据的方式。该库通过引入显式图表示（如ChemicalJSON）来解决使用简单SMILES字符串的局限性，这使得LLM能够更直接地读取分子结构。此外，chematic通过提供属性数据和结构摘要来增强上下文，其灵感来源于研究论文，这些论文表明当提供更丰富的信息时，分子推理任务的准确性会显著提高。
-
新的 FisherSketch 方法在大规模下分析 LLM 更新几何
研究人员开发了 FisherSketch，一种用于分析具有共享词汇的大型语言模型 (LLM) 更新几何的新颖方法。该技术通过直接估计头部 Fisher 对齐，实现了在蛋白质和基因组序列等科学领域的无训练源选择。FisherSketch 在单次流式处理中运行，使其在计算上适用于大规模应用，这与传统方法不同。
-
使用稀疏自编码器分析化学语言模型的内部表征
一篇新研究论文通过将稀疏自编码器（SAE）应用于MolFormer，探讨了化学语言模型（cLMs）的内部工作机制。研究表明，模型的早期层关注句法模式和位置跟踪，而后期层则捕获更多有意义的语义信息，包括药理学相关特征。研究还发现，非规范SMILES字符串比无效SMILES字符串对模型表征的干扰更大，这凸显了输入格式的重要性。为了便于进一步研究，作者开发了InterMol，一个用于可视化SAE激活的交互式工具。
-
BioMatrix 将序列、结构和语言整合到新的多模态基础模型中
研究人员开发了 BioMatrix，这是一种新颖的多模态基础模型，旨在将序列、结构和自然语言等生物数据类型整合到单一架构中。与以往专注于多模态或广泛实体覆盖的模型不同，BioMatrix 通过将各种生物输入映射到共享的离散标记空间来统一这些方面。BioMatrix 基于 Qwen3 语言模型构建，在一个海量数据集上进行了预训练，并在 80 个多样化的生物任务中的 77 个上展现了最先进的性能。
-
新的基准测试MolGraphBench评估用于分子回归任务的图神经网络
一项名为MolGraphBench的新基准测试已被推出，用于评估用于分子回归任务的图神经网络（GNN）架构。该基准测试由Ishaan Gupta提出，分析了四种常见的GNN模型，发现图卷积网络（GCN）和图同构网络（GIN）表现最佳。研究还表明，在融合框架中，分子指纹可能与GNN不互补，并强调了将GNN层类型视为可调超参数以获得更优性能的重要性。
-
研究发现大语言模型（LLM）的分子任务依赖于表示
一项新的arXiv研究对16个大语言模型在九种分子表示和八种化学任务上的性能进行了基准测试。研究发现，模型的性能在很大程度上取决于所使用的分子表示，其中CML和MolJSON等显式结构化文本格式在结构任务上表现出色，而IUPAC在语义任务上表现最佳。专门从事化学的模型在使用SMILES时表现强劲，但在结构化格式方面遇到困难，这表明其评估可能存在偏见。
-
新的GFlowNet训练方法提高了LLM前缀平衡性和多样性
研究人员引入了一种新的生成流网络（GFlowNets）训练方法，称为Rooted absorbed prefix Trajectory Balance (RapTB)，旨在解决大型语言模型中的前缀崩溃和长度偏差等问题。RapTB通过将子轨迹监督锚定在根部并向中间前缀传播奖励来改进信用分配。此外，还提出了一种名为SubM的子模态回放刷新策略，以对抗由有偏回放引起的分布偏移，从而在训练流中同时促进高奖励和多样性。在分子生成等任务上的实证结…
-
新方法引导大语言模型注意力以纠正推理错误
研究人员开发了一种名为Manifold-Guided Attention Steering (MAGS) 的新方法，以提高大语言模型的推理能力。MAGS在模型注意力头激活出现错误时，识别其偏离“正确性流形”的情况。通过学习捕捉这些偏差的低维子空间，MAGS可以在推理过程中将注意力输出投影回正确的子空间，从而防止错误传播。该技术在数学推理、代码生成和分子生成等各种基准测试中都显示出了一致的改进。
-
新基准MolRecBench-Wild挑战真实世界化学结构识别
研究人员推出了MolRecBench-Wild，这是一个新的基准，旨在评估光学化学结构识别（OCSR）系统在科学文献中的真实化学图上的表现。该基准解决了当前OCSR模型在实际出版物中发现的视觉和化学复杂性方面的局限性。MolRecBench-Wild包含超过5000个结构和一个名为CARBON的新表示语言，以捕捉标准格式之外的细微化学语义。
-
MolReFlect框架对齐分子和文本，以增强LLM的理解能力
研究人员开发了MolReFlect，一个新颖的师生框架，旨在改善分子结构与文本描述之间的对齐。该方法使大型语言模型能够学习特定分子亚结构与描述它们的短语之间的细粒度对应关系，从而提高分子相关任务的准确性和可解释性。MolReFlect旨在克服先前将分子视为整体处理方法的局限性，实验结果表明，它在分子-标题翻译方面取得了最先进的性能。
-
COMO框架使用最小风险训练进行光学分子识别
研究人员推出了一种新颖的光学化学结构识别闭环框架COMO。该系统利用最小风险训练（MRT）来解决传统Teacher-forcing方法中固有的暴露偏差。通过直接优化分子级评估标准而非token级预测，COMO在包括真实世界文档在内的各种基准测试中，均显示出比现有方法显著的改进。