Chem-R: Обучение химическому мышлению

Chem-R: Learning to Reason as a Chemist

October 19, 2025

Авторы: 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

Аннотация

Хотя крупные языковые модели (LLM) обладают значительным потенциалом для продвижения в области химических открытий, современные LLM не обладают базовыми знаниями в химии, демонстрируют ненадежные траектории рассуждений и показывают неоптимальную производительность в разнообразных химических задачах. Для решения этих проблем мы предлагаем Chem-R — универсальную модель химического рассуждения, разработанную для имитации обдуманных процессов, используемых химиками. Chem-R обучается с помощью трехэтапной структуры, которая постепенно развивает продвинутые способности к рассуждению, включая: 1) Базовое химическое обучение, которое закладывает фундаментальные химические знания. 2) Дистилляцию протоколов химического рассуждения, включающую структурированные, экспертные траектории рассуждений для систематического и надежного решения задач. 3) Оптимизацию политики с учетом относительной групповой многозадачности, которая оптимизирует модель для сбалансированной производительности в разнообразных задачах на молекулярном и реакционном уровнях. Этот структурированный подход позволяет Chem-R достичь наилучших результатов на комплексных тестах, превосходя ведущие крупные языковые модели, включая Gemini-2.5-Pro и DeepSeek-R1, на 46% в молекулярных задачах и на 66% в задачах, связанных с реакциями. При этом Chem-R также стабильно превосходит существующие базовые химические модели как на молекулярном, так и на реакционном уровнях. Эти результаты подчеркивают надежную обобщаемость, интерпретируемость и потенциал Chem-R в качестве основы для следующего поколения ИИ-управляемых химических открытий.

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.