Chem-R: Imparare a Ragionare come un Chimico

Chem-R: Learning to Reason as a Chemist

October 19, 2025

Autori: Weida Wang, Benteng Chen, Di Zhang, Wanhao Liu, Shuchen Pu, Ben Gao, Jin Zeng, Lei Bai, Wanli Ouyang, Xiaoyong Wei, Tianshu Yu, Tianfan Fu, Shuzhou Sun, Jiatong Li, Zifu Wang, Yuqiang Li, Shufei Zhang

cs.AI

Abstract

Sebbene i grandi modelli linguistici (LLM) abbiano un potenziale significativo per far progredire la scoperta chimica, gli attuali LLM mancano di conoscenze chimiche fondamentali, producono traiettorie di ragionamento inaffidabili e mostrano prestazioni subottimali in una vasta gamma di compiti chimici. Per affrontare queste sfide, proponiamo Chem-R, un modello di ragionamento chimico generalizzabile progettato per emulare i processi deliberativi dei chimici. Chem-R viene addestrato attraverso un framework in tre fasi che costruisce progressivamente capacità di ragionamento avanzate, tra cui: 1) Addestramento delle Fondamenta Chimiche, che stabilisce le conoscenze chimiche di base. 2) Distillazione del Protocollo di Ragionamento Chimico, che incorpora tracce di ragionamento strutturate, simili a quelle degli esperti, per guidare la risoluzione sistematica e affidabile dei problemi. 3) Ottimizzazione Relativa delle Politiche di Gruppo Multi-task, che ottimizza il modello per prestazioni bilanciate su una varietà di compiti a livello molecolare e di reazione. Questa pipeline strutturata consente a Chem-R di raggiungere prestazioni all'avanguardia su benchmark completi, superando i principali grandi modelli linguistici, tra cui Gemini-2.5-Pro e DeepSeek-R1, fino al 46% nei compiti molecolari e al 66% nei compiti di reazione. Nel frattempo, Chem-R supera costantemente anche i modelli di fondazione chimica esistenti sia nei compiti a livello molecolare che di reazione. Questi risultati evidenziano la robusta generalizzazione, l'interpretabilità e il potenziale di Chem-R come fondamento per la prossima generazione di scoperte chimiche guidate dall'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.