Molecular Representations for Large Language Models
本論文は、大規模言語モデルを用いた多様な推論タスクにおいて、SMILES や IUPAC 名といった従来の形式を体系的に上回る新規の分子表現「MolJSON」を導入し、明示的な分子グラフスキーマが化学分野における LLM の性能を大幅に向上させることを実証する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
想像してみてください。あなたは、非常に優秀だが文字通りの意味しか理解できないロボットに、分子のような複雑な3次元構造を理解させ、描画させる方法を教えようとしています。問題はそのロボットが愚かだからではなく、あなたが間違った言語で話しかけているからです。
この論文は、大規模言語モデル（LLM）が化学について話すための適切な「方言」を見つけることに関するものです。
問題点：「化学者」として話すか、「ロボット」として話すか
何十年もの間、化学者たちはコンピュータ上で分子を書き表すために主に2つの方法を用いてきました。
- SMILES：これは、分子を「歩きながら」記述する、長く混乱した文字列だと考えてください。まるで「正面のドアから始めて、左に曲がり、階段を上り、右に曲がればキッチンに着く」と言って家を記述するようなものです。一歩でも見落としたり、順序を間違えたりすれば、記述全体が崩れてしまいます。
- IUPAC名：これらは「エタン酸」のような、人間が読み取れる公式な名称です。家を記述するために複雑な法的契約書を読むようなものです。人間にとっては正確ですが、ルールが極めて厳格で文が長いため、ロボットが解析するには非常に困難です。
研究者たちは、AIモデルにこれらの古い形式を使って分子を読み書きさせたところ、モデルが多くの間違いを犯したことを発見しました。まるで、ロボットに外国語で書かれた文章形式の指示に基づいてレゴの城を建設させるようなもので、間違ったものを作ったり、混乱したりすることがよくありました。
解決策：「MolJSON」の導入
著者たちは、MolJSONと呼ばれる新しい形式を作成しました。
MolJSONを物語や指示のセットではなく、設計図や部品リストとして考えてください。
- 「点Aから点Bへ歩く」と言う代わりに、MolJSONは「すべてのレンガ（原子）のリストと、どのレンガがどのように接着されているか（結合）の正確なリストがここにある」と言います。
- それはコンピュータが好む構造化されたリスト（JSON）のように見えます。AIに分子を「歩き」させたり、複雑な文法規則を解読させたりすることなく、すべての部品とそれらの接続方法を明示的にリスト化します。
実験：翻訳テスト
この新しい言語がより効果的かどうかを確認するため、研究者たちはGPT-5やClaudeなどの異なるAIモデルを用いて3種類のテストを行いました。
翻訳者テスト：AIに一つの形式（SMILES文字列など）で分子を与え、別の形式で書き直すよう求めます。
- 結果：AIが新しい形式をMolJSONとして出力する必要がある場合、正解率は約**71%でした。SMILESやIUPAC名を出力する必要がある場合は、正解率は約43%**に留まりました。AIは単に古い言語をうまく「話せなかった」のです。
迷路テスト（最短経路）：AIに分子を与え、「このフッ素原子とあの塩素原子の間にはいくつの結合がありますか？」と尋ねます。
- 結果：MolJSONを使用した場合、AIの正解率は98.5%でした。SMILESでは92%、IUPAC名では**82%**まで低下しました。
- ボーナス：AIはMolJSONの設計図を与えられた場合、迷路を解くために使用する「思考トークン（計算能力）」も少なくなりました。構造をまず理解しようとしてエネルギーを浪費する必要がなかったのです。
建設者テスト（制約付き生成）：AIに「フッ素1つ、塩素1つ、環2つを持つ分子を構築せよ」と命じます。
- 結果：AIがMolJSONで回答を出力することを許可された場合、成功率は**95%でした。SMILES文字列の出力を強制された場合は、成功率は64%**に留まりました。
なぜMolJSONが勝ったのか
この論文は、SMILESやIUPAC名がAIに2つの困難な作業を同時に強いることを示唆しています。
- 構造の解読：テキストから分子がどのような形をしているかを理解しなければならない。
- 構造の再符号化：その頭の中のイメージを厳格なテキスト形式に戻さなければならない。
MolJSONは、この難しい部分をスキップします。AIに構造（原子と結合）を直接与え、構造を直接出力させるのです。まるで、ロボットに、どのように構築するかを記述した文章の代わりに、レゴのブロックの箱と完成した城の写真を渡すようなものです。
結論
研究者たちは、分子を表現する方法の選択が、AI自身の知能と同様に重要であることを発見しました。AIモデルは数百万のSMILES文字列やIUPAC名でトレーニングされていたにもかかわらず、この新しい構造化された「設計図」形式（MolJSON）を使用した場合、著しく高いパフォーマンスを発揮しました。
要約すれば：AIに化学を行わせたいのであれば、化学的ななぞなぞ（SMILES/IUPAC）で話しかけるのをやめ、明確で構造化された設計図（MolJSON）で話しかけ始めるべきです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。