Molecular Representations for Large Language Models
تقدم هذه الورقة البحثية MolJSON، وهو تمثيل جزيئي مبتكر يتفوق بشكل منهجي على التنسيقات التقليدية مثل SMIS وأسماء IUPAC عبر مختلف مهام الاستدلال عند استخدامه مع النماذج اللغوية الكبيرة، مما يثبت أن مخططات الرسوم البيانية الجزيئية الصريحة تعزز بشكل كبير أداء النماذج اللغوية الكبيرة في الكيمياء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت عبقري ولكنه حرفي للغاية كيف يفهم ويرسم هياكل ثلاثية الأبعاد معقدة، مثل الجزيئات. المشكلة ليست في أن الروبوت غبي؛ بل في أنك تتحدث إليه باللغة الخاطئة.
هذه الورقة البحثية تدور حول إيجاد "اللهجة" المناسبة للنماذج اللغوية الكبيرة (LLMs) للتحدث عن الكيمياء.
المشكلة: التحدث بلغة "الكيميائي" مقابل التحدث بلغة "الروبوت"
لعقود من الزمن، استخدم الكيميائيون طريقتين رئيسيتين لكتابة الجزيئات على الكمبيوتر:
- SMILES: فكر في هذا كأنه سلسلة نصية طويلة ومربكة تصف الجزيء من خلال "السير" عبره. الأمر يشبه وصف منزل بقولك: "ابدأ من الباب الأمامي، اتجه يساراً، اصعد الدرج، اتجه يميناً، وستجد نفسك في المطبخ". إذا فاتتك خطوة أو أخطأت في الترتيب، سينهار الوصف بأكله.
- أسماء IUPAC: هذه هي الأسماء الرسمية القابلة للقراءة من قبل البشر (مثل "حمض الإيثانويك"). إنها تشبه قراءة عقد قانوني معقد لوصف منزل. هي دقيقة للبشر، لكنها صعبة للغاية على الروبوت لتحليلها لأن قواعدها صارمة للغاية وجملها طويلة.
وجد الباحثون أنه عندما طلبوا من نماذج الذكاء الاصطيعي قراءة أو كتابة الجزيئات باستخدام هذه التنسيقات القديمة، ارتكبت النماذج الكثير من الأخطاء. كان الأمر أشبه بطلب من روبوت بناء قلعة "ليجو" بناءً على تعليمات نصية في فقرة مكتوبة بلغة أجنبية؛ فغالباً ما كان يبني شيئاً خاطئاً أو يصاب بالارتباك.
الحل: تقديم "MolJSON"
ابتكر المؤلفون تنسيقاً جديداً يسمى MolJSON.
فكر في MolJSON ليس كقصة أو مجموعة من التعليمات، بل كـ مخطط هندسي أو قائمة قطع.
- بدلاً من قول "سر من النقطة أ إلى النقطة ب"، يقول MolJSON: "إليك قائمة بجميع الطوب (الذرات) وهنا قائمة توضح بالضبط أي من قطع الطوب ملتصقة ببعضها البعض (الروابط)".
- إنه يبدو كقائمة منظمة (JSON) تعشقها أجهزة الكمبيوتر. إنه يسرد كل قطعة وكيفية اتصالها صراحةً، دون إجبار الذكاء الاصطناعي على "السير" عبر الجزيء أو فك رموز قواعد لغوية معقدة.
التجربة: اختبار الترجمة
لمعرفة ما إذا كانت هذه اللغة الجديدة تعمل بشكل أفضل، وضع الباحثون ثلاثة أنواع من الاختبارات مع نماذج ذكاء اصطناعي مختلفة (مثل GPT-5 وClaude):
اختبار المترجم: أعطِ الذكاء الاصطناعي جزيئاً بتنسيق واحد (مثل سلسلة SMILES) واطلب منه إعادة كتابته بتنسيق آخر.
- النتيجة: عندما كان على الذكاء الاصطناعي إخراج التنسيق الجديد بصيغة MolJSON، كان صحيحاً بنسبة 71% تقريباً. وعندما كان عليه إخراج صيغ SMILES أو أسماء IUPAC، كان صحيحاً بنسبة 43% فقط. لم يستطع الذكاء الاصطناعي "التحدث" باللغات القديمة بشكل جيد.
اختبار المتاهة (أقصر مسار): أعطِ الذكاء الاصطناعي جزيئاً واسأله: "كم عدد الروابط بين ذرة الفلور هذه وذرة الكلور تلك؟"
- النتيجة: مع MolJSON، أصاب الذكاء الاصطناعي بنسبة 98.5%. ومع SMILES، كانت النسبة 92%، ومع أسماء IUPAC، انخفضت إلى 82%.
- ميزة إضافية: استخدم الذكاء الاصطناعي أيضاً عدداً أقل من "رموز الدماغ" (القدرة الحوسبية) لحل المتاهة عندما أُعطي مخطط MolJSON. لم يضطر لإضاعة الطاقة في محاولة فهم الهيكل أولاً.
اختبار البناء (التوليد المقيد): اطلب من الذكاء الاصطناعي: "ابنِ جزيئاً يحتوي على ذرة فلور واحدة، وذرة كلور واحدة، وحلقتين".
- النتيجة: عندما سُمح للذكاء الاصطناعي بإخراج الإجابة بتنسيق MolJSON، نجح بنسبة 95% من المرات. وعندما أُجبر على إخراج سلسلة SMILES، نجح بنسبة 64% فقط.
لماذا فاز MolJSON؟
تشير الورقة البحثية إلى أن SMILES وأسماء IUPAC تجبر الذكاء الاصطناعي على القيام بشيئين صعبين في آن واحد:
- فك تشفير الهيكل: عليه أن يفهم كيف يبدو الجزيء من النص.
- إعادة ترميز الهيكل: عليه تحويل تلك الصورة الذهنية مرة أخرى إلى تنسيق نصي صارم.
MolJSON يتخطى الجزء الصعب. فهو يعطي الذكاء الاصطناعي الهيكل مباشرة (الذرات والروابط) ويسمح له بإخراج الهيكل مباشرة. الأمر يشبه إعطاء الروبوت صندوقاً من قطع الليجو وصورة للقلعة النهائية، بدلاً من فقرة نصية تصف كيفية بنائها.
الخلاوات المستفادة
وجد الباحثون أن طريقة تمثيلك للجزيء لا تقل أهمية عن ذكاء الذكاء الاصطناعي نفسه. على الرغم من أن نماذج الذكاء الاصطناعي قد تم تدريبها على ملايين سلاسل SMILES وأسماء IUPAC، إلا أنها أدت بشكل أفضل بكثير عند استخدام هذا التنسيق الجديد المنظم (المخطط الهندسي - MolJSON).
باختختصار: إذا كنت تريد من الذكاء الاصطناعي القيام بالكيمياء، فتوقف عن التحدث إليه بالألغاز الكيميائية (SMILES/IUPAC) وابدأ بالتحدث إليه عبر مخططات هندسية واضحة ومنظمة (MolJSON).
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.