Компьютерные науки > Машинное обучение [представлено 9 апреля 2026 (v1), последний пересмотренный вариант 14 сентября 2026 года (эта версия, v3)] Название: LLM-руководящие динамические действия для синтезируемого молекулярного оптимизирующего вида PDF HTML (экспериментальный) резюме: Синтезная молельные оптимизация направлена на улучшение целевых свойств при одновременном обеспечении того, чтобы молекционные модификации следовали практически осуществимым синтетическим путям. Существующие методы синтеза, как правило, основываются на изучении большого пространства потенциальных трансформаций, определяемых шаблонами реакции и чистыми строительными блоками. Этот поиск становится еще более сложным, когда улучшение состояния имущества требует многомерных шагов реагирования по мере дальнейшего расширения пространства вдоль маршрута. Для решения этой задачи мы введем MolReAct, который переформулирует молекулярную оптимизацию как поиск по компактным пространствам реакции, предложенный с помощью большой языковой модели (LLM). На каждом этапе LLM сочетает свои предыдущие химические знания с химиинформатическими инструментами для выявления набора совместимых с молекулами реакций, сохраняя синтезируемость при одновременном обеспечении возможности многоэтапной оптимизации. С учетом этого компактного пространства для действий мы еще больше задействуем систему " Group Orental Policy Оптимизация (GRPO) с конечной наградой оракул, чтобы усовершенствовать процесс принятия долгосрочных…
Динамические возможности для синтезируемой молекулярной оптимизации
arXiv:2604.076669v3 Annualce Type: заменить резюме: синтезируемая молекулярная оптимизация направлена на улучшение целевых свойств при одновременном обеспечении того, чтобы молельные модификации следовали практически осуществимым синтетическим путям. Существующие методы синтеза, как правило, основываются на изучении большого пространства потенциальных трансформаций, определяемых шаблонами реакции и чистыми строительными блоками. Этот поиск становится еще более сложным, когда улучшение состояния имущества требует многомерных шагов реагирования по мере дальнейшего расширения пространства вдоль маршрута. Для решения этой задачи мы введем MolReAct, который переформулирует молекулярную оптимизацию как поиск по компактным пространствам реакции, предложенный с помощью большой языковой модели (LLM). На каждом этапе LLM сочетает свои предыдущие химические знания с химиинформатическими инструментами для выявления набора совместимых с молекулами реакций, сохраняя синтезируемость при одновременном обеспечении возможности многоэтапной оптимизации. С учетом этого компактного пространства действий, мы будем еще больше использовать Group Rogional