Chem-R: Aprendendo a Raciocinar como um Químico

Chem-R: Learning to Reason as a Chemist

October 19, 2025

Autores: 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

Resumo

Embora os grandes modelos de linguagem (LLMs) tenham um potencial significativo para avançar a descoberta química, os LLMs atuais carecem de conhecimento químico essencial, produzem trajetórias de raciocínio pouco confiáveis e apresentam desempenho subótimo em diversas tarefas químicas. Para enfrentar esses desafios, propomos o Chem-R, um modelo de Raciocínio Químico generalizável projetado para emular os processos deliberativos de químicos. O Chem-R é treinado por meio de uma estrutura de três fases que constrói progressivamente capacidades avançadas de raciocínio, incluindo: 1) Treinamento de Fundamentos Químicos, que estabelece o conhecimento químico essencial. 2) Destilação de Protocolos de Raciocínio Químico, incorporando traços de raciocínio estruturados, semelhantes aos de especialistas, para orientar a resolução sistemática e confiável de problemas. 3) Otimização de Política Relativa em Grupo Multi-tarefa, que ajusta o modelo para um desempenho equilibrado em diversas tarefas moleculares e de reação. Esse pipeline estruturado permite que o Chem-R alcance desempenho de ponta em benchmarks abrangentes, superando os principais grandes modelos de linguagem, incluindo o Gemini-2.5-Pro e o DeepSeek-R1, em até 46% em tarefas moleculares e 66% em tarefas de reação. Enquanto isso, o Chem-R também supera consistentemente os modelos de fundamentos químicos existentes em tarefas tanto moleculares quanto de nível de reação. Esses resultados destacam a robusta generalização, interpretabilidade e potencial do Chem-R como base para a próxima geração de descoberta química impulsionada por 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.