Chem-R : Apprendre à raisonner en tant que chimiste

papers.abstract

Bien que les grands modèles de langage (LLMs) possèdent un potentiel significatif pour faire progresser la découverte chimique, les LLMs actuels manquent de connaissances chimiques fondamentales, produisent des trajectoires de raisonnement peu fiables et présentent des performances sous-optimales dans diverses tâches chimiques. Pour relever ces défis, nous proposons Chem-R, un modèle de raisonnement chimique généralisable conçu pour imiter les processus délibératifs des chimistes. Chem-R est entraîné via un cadre en trois phases qui développe progressivement des capacités de raisonnement avancées, incluant : 1) la Formation Fondamentale en Chimie, qui établit les connaissances chimiques de base ; 2) la Distillation de Protocoles de Raisonnement Chimique, intégrant des traces de raisonnement structurées, semblables à celles des experts, pour guider une résolution de problèmes systématique et fiable ; 3) l'Optimisation Relative de Politique par Groupe Multi-tâches, qui optimise le modèle pour une performance équilibrée dans diverses tâches au niveau moléculaire et réactionnel. Ce pipeline structuré permet à Chem-R d'atteindre des performances de pointe sur des benchmarks complets, surpassant les principaux grands modèles de langage, y compris Gemini-2.5-Pro et DeepSeek-R1, jusqu'à 46 % sur les tâches moléculaires et 66 % sur les tâches réactionnelles. Par ailleurs, Chem-R surpasse également de manière constante les modèles de fondation chimiques existants dans les tâches au niveau moléculaire et réactionnel. Ces résultats mettent en évidence la robuste généralisation, l'interprétabilité et le potentiel de Chem-R en tant que fondement pour la prochaine génération de découverte chimique pilotée par l'IA.

English

Although large language models (LLMs) have significant potential to advance chemical discovery, current LLMs lack core chemical knowledge, produce unreliable reasoning trajectories, and exhibit suboptimal performance across diverse chemical tasks. To address these challenges, we propose Chem-R, a generalizable Chemical Reasoning model designed to emulate the deliberative processes of chemists. Chem-R is trained through a three-phase framework that progressively builds advanced reasoning capabilities, including: 1) Chemical Foundation Training, which establishes core chemical knowledge. 2) Chemical Reasoning Protocol Distillation, incorporating structured, expert-like reasoning traces to guide systematic and reliable problem solving. 3) Multi-task Group Relative Policy Optimization that optimizes the model for balanced performance across diverse molecular- and reaction-level tasks. This structured pipeline enables Chem-R to achieve state-of-the-art performance on comprehensive benchmarks, surpassing leading large language models, including Gemini-2.5-Pro and DeepSeek-R1, by up to 46% on molecular tasks and 66% on reaction tasks. Meanwhile, Chem-R also consistently outperforms the existing chemical foundation models across both molecular and reaction level tasks. These results highlight Chem-R's robust generalization, interpretability, and potential as a foundation for next-generation AI-driven chemical discovery.

Chem-R : Apprendre à raisonner en tant que chimiste

Chem-R: Learning to Reason as a Chemist

papers.abstract

Support