机器之心 ·

AI 驱动化学空间探索，大语言模型精准导航，直达目标分子

💡 原文中文，约2000字，阅读约需5分钟。

📝

内容提要

研究者开发了LLM-EO算法，结合大型语言模型与进化优化，显著提升化学空间探索效率。该算法灵活控制目标，优化效率高，能够生成新化学结构，突破传统设计限制。实验结果表明，其在识别高潜力化合物方面表现优异，未来有望进一步提升。

🎯

🔎

化学空间的探索是材料科学中的核心挑战，尤其是在设计过渡金属配合物时。LLM-EO算法的出现为这一领域带来了新的机遇，通过结合大型语言模型与进化优化，显著提升了探索效率。这种创新方法不仅提高了识别高潜力化合物的能力，还为未来的化学研究开辟了新的方向。

LLM-EO算法的灵活目标控制和高效优化能力使其在化学研究中具有广泛应用前景。研究人员可以通过自然语言快速调整优化目标，适应不同的实验需求。这种灵活性不仅提升了实验效率，还可能推动新化学结构的生成，促进材料科学的创新发展。

实验结果显示，LLM-EO在识别高潜力化合物方面表现优异，尤其是在少量初始样本的情况下。这表明，LLM-EO能够有效利用历史数据，快速识别关键化合物。这一发现强调了算法在复杂化学空间中的应用潜力，未来可能会在新材料的开发中发挥重要作用。

❓

LLM-EO算法结合大型语言模型与进化优化，显著提升化学空间探索效率，能够生成新化学结构，突破传统设计限制。

LLM-EO算法具有灵活的目标控制、优化效率的提升和新化学结构的生成设计等优势。

LLM-EO通过自然语言提示工程，灵活调整优化目标，实现多目标优化，支持闭环优化实验室环境。

实验结果表明，LLM-EO在识别高潜力化合物方面表现优异，尤其在少量初始TMCs情况下。

LLM-EO的生成能力使其能够提出新配体结构，突破传统化学空间限制，加速化学结构的优化过程。

随着LLM的发展，LLM-EO的能力将持续提升，助力前沿科学探索。

🏷️