c_cpp_csharp的专栏

虽然已经提出了各种模型和计算工具用于分子的结构和性质分析，但生成符合所有期望结构和性质的分子仍然是一个挑战。在这里，我们介绍了一个多约束分子生成大语言模型TSMMG，它类似于学生，融合了来自各种小模型和工具的知识，即“教师”。为了训练TSMMG，我们通过从这些“老师”中提取分子知识来构建一大组文本分子对，使其能够通过各种文本提示生成符合描述的新分子。

大型语言模型（LLM）在生物化学任务中表现出了非凡的性能，尤其是分子字幕翻译任务，该任务旨在弥合分子与自然语言文本之间的差距。然而，先前使LLM适应分子字幕翻译任务的方法需要额外的特定领域的预训练阶段，在分子空间和文本空间之间存在弱对齐，或者对LLM的规模提出了严格的要求。为了解决这些挑战，我们提出了上下文分子适应（ICMA），作为一种新的范式，LLM可以通过上下文分子调节从上下文示例中学习分子文本对齐。具体来说，ICMA包括以下三个阶段：混合上下文检索、检索后重新排序和上下文分子调整。

研究背景与问题：化学在药物发现、材料科学等领域至关重要，但大型语言模型（LLMs）如GPT-4在化学任务上表现不佳，现有研究表明其性能远低于任务特定模型，尤其是对分子表示SMILES的理解不足。数据集构建：提出SMolInstruct数据集，包含14个化学任务（如名称转换、性质预测、化学反应等）和超过300万样本。数据来自PubChem、MoleculeNet等多个来源，并经过严格质量控制（如过滤无效SMILES、纠正错误信息）。模型开发。

近年来，大型语言模型（LLM）在自然语言处理（NLP）和各种跨学科领域取得了显著的成功。然而，将LLM应用于化学是一项复杂的任务，需要专业的领域知识。本文深入探讨了将LLM整合到化学领域中所采用的微妙方法，深入探讨了这一跨学科交叉点的复杂性和创新。具体来说，我们的分析首先考察分子信息是如何通过各种表示和标记方法输入LLM的。然后，我们根据化学LLM输入数据的领域和形式将其分为三组，并讨论整合LLM输入的方法。此外，本文还探讨了适应化学LLM的预训练目标。