Chem-R: Leren redeneren als een chemicus

Chem-R: Learning to Reason as a Chemist

October 19, 2025

Auteurs: 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

Samenvatting

Hoewel grote taalmodellen (LLMs) aanzienlijk potentieel hebben om chemische ontdekkingen te bevorderen, ontbreekt het huidige LLMs aan fundamentele chemische kennis, produceren ze onbetrouwbare redeneertrajecten en vertonen ze suboptimale prestaties bij diverse chemische taken. Om deze uitdagingen aan te pakken, stellen we Chem-R voor, een generaliseerbaar Chemical Reasoning-model dat is ontworpen om de beraadslagingsprocessen van chemici na te bootsen. Chem-R wordt getraind via een driefasenraamwerk dat geleidelijk geavanceerde redeneervaardigheden opbouwt, waaronder: 1) Chemical Foundation Training, dat de kernchemische kennis vastlegt. 2) Chemical Reasoning Protocol Distillation, dat gestructureerde, expertachtige redeneersporen incorporeert om systematisch en betrouwbaar probleemoplossen te begeleiden. 3) Multi-task Group Relative Policy Optimization, dat het model optimaliseert voor evenwichtige prestaties bij diverse moleculaire en reactiegerichte taken. Deze gestructureerde pijplijn stelt Chem-R in staat om state-of-the-art prestaties te behalen op uitgebreide benchmarks, waarbij het toonaangevende grote taalmodellen, waaronder Gemini-2.5-Pro en DeepSeek-R1, met tot 46% op moleculaire taken en 66% op reactietaken overtreft. Tegelijkertijd presteert Chem-R ook consistent beter dan de bestaande chemische foundation-modellen bij zowel moleculaire als reactiegerichte taken. Deze resultaten onderstrepen de robuuste generalisatie, interpreteerbaarheid en het potentieel van Chem-R als basis voor de volgende generatie AI-gestuurde chemische ontdekkingen.

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.