Molecular Representations for Large Language Models
本文介绍了 MolJSON，这是一种新颖的分子表示方法，当与大型语言模型结合使用时，其在各类推理任务中系统地优于 SMILES 和 IUPAC 名称等传统格式，从而证明了显式的分子图模式能显著提升大型语言模型在化学领域的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教导一个聪明但思维刻板的机器人如何理解和绘制复杂的三维结构，比如一个分子。问题不在于机器人愚笨，而在于你用错了语言与它交流。
本文探讨的是为大型语言模型（LLM）寻找一种合适的“方言”，以便它们能够讨论化学。
问题：说“化学家语言”还是说“机器人语言”
几十年来，化学家们主要使用两种在计算机上记录分子的方式：
- SMILES：可以将其想象成一段冗长且令人困惑的文本字符串，它通过“遍历”分子来描述该分子。这就像描述一座房子时说：“从前门开始，向左转，走上楼梯，向右转，你就到了厨房。”如果你漏掉一步或顺序搞错，整个描述就会分崩离析。
- IUPAC 名称：这些是官方的、人类可读的名称（例如“乙酸”）。它们就像阅读一份复杂的法律合同来描述一座房子。对人类而言它们精确无误，但对机器人来说却极难解析，因为其规则极其严格且句子冗长。
研究人员发现，当他们要求 AI 模型使用这些旧格式读取或书写分子时，模型会犯大量错误。这就像要求机器人根据一段用外语写成的段落指令来搭建乐高城堡；它往往会搭建出错误的东西，或者陷入困惑。
解决方案：引入"MolJSON"
作者们创建了一种名为MolJSON的新格式。
请将 MolJSON 想象成不是故事或指令集，而是一份蓝图或零件清单。
- 与其说“从 A 点走到 B 点”，MolJSON 会说：“这里列出了所有积木（原子）的清单，这里也列出了确切哪些积木被粘在一起（化学键）。”
- 它看起来像计算机喜爱的结构化列表（JSON）。它明确列出每一个部件及其连接方式，而无需强迫 AI“遍历”分子或解码复杂的语法规则。
实验：翻译测试
为了验证这种新语言是否效果更好，研究人员利用不同的 AI 模型（如 GPT-5 和 Claude）设置了三种测试：
翻译测试：给 AI 一个某种格式（如 SMILES 字符串）的分子，要求它将其改写为另一种格式。
- 结果：当 AI 必须输出新格式为 MolJSON 时，其正确率约为71%。而当它必须输出 SMILES 或 IUPAC 名称时，正确率仅为43%。AI 根本无法很好地“说”这些旧语言。
迷宫测试（最短路径）：给 AI 一个分子，并提问：“这个氟原子和那个氯原子之间有多少个化学键？”
- 结果：使用 MolJSON 时，AI 的正确率高达98.5%。使用 SMILES 时为92%，而使用 IUPAC 名称时则降至82%。
- 额外发现：当获得 MolJSON 蓝图时，AI 解决迷宫问题所使用的“大脑令牌”（计算能力）也更少。它无需浪费精力去首先推断结构。
构建测试（受限生成）：要求 AI“构建一个含有一个氟原子、一个氯原子和两个环的分子”。
- 结果：当允许 AI 以 MolJSON 格式输出答案时，其成功率为95%。而当被强制输出 SMILES 字符串时，其成功率仅为64%。
为什么 MolJSON 获胜？
该论文指出，SMILES 和 IUPAC 名称迫使 AI 同时做两件困难的事情：
- 解码结构：它必须从文本中推断出分子的形状。
- 重新编码结构：它必须将那个思维图像转换回严格的文本格式。
MolJSON 跳过了困难的部分。它直接向 AI 提供结构（原子和化学键），并让 AI 直接输出该结构。这就像给机器人一盒乐高积木和一张最终城堡的图片，而不是一段描述如何搭建它的段落文本。
结论
研究人员发现，你选择如何表示分子，其重要性与 AI 本身的智能程度不相上下。尽管这些 AI 模型是在数百万条 SMILES 字符串和 IUPAC 名称上训练的，但在使用这种新的、结构化的“蓝图”格式（MolJSON）时，它们的性能显著提升。
简而言之：如果你希望 AI 从事化学工作，请停止用化学谜题（SMILES/IUPAC）与它交流，转而使用清晰、结构化的蓝图（MolJSON）与它对话。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。