人工智能辅助化学合成的集体智能

科学文献的指数级增长在各个学科中都带来了日益严峻的挑战。每年有数十万新的化学反应被报道，然而将这些信息转化为可操作的实验却成为了一个障碍^1,2。近期大型语言模型（LLMs）的应用显示出潜力^3,4,5,6，但对于de novo化合物的多种转化能够可靠运行的系统仍然难以实现。在这里，我们介绍 MOSAIC（Multiple Optimized Specialists for AI-assisted Chemical Prediction，人工智能辅助化学预测的多优化专家系统），这是一个计算框架，使化学家能够利用数百万反应方案的集体知识。MOSAIC 构建在 Llama-3.1-8B-instruct 架构⁷之上，在 Voronoi 簇集空间内训练了 2,498 个专业化学专家。这种方法为复杂合成提供了具有置信度指标的可重现和可执行的实验方案。通过总体 71% 的成功率，实验验证证明了在药物、材料、农用化学品和化妆品等领域实现了超过 35 种新型化合物的合成。值得注意的是，MOSAIC 还能够发现专家训练数据中不存在的新反应方法，这是推进化学合成的基石。这种将庞大领域划分为可搜索专家区域的可扩展范式，为任何信息增长速度超过有效知识获取和应用速度的发现领域，提供了一种通用化策略。

1. 这些作者同等贡献：Haote Li, Sumon Sarkar

作者及单位

1. Department of Chemistry, Yale University, New Haven, Connecticut, USA

   Haote Li, Sumon Sarkar, Wenxin Lu, Patrick O. Loftus, Tianyin Qiu, Yu Shee, Abbigayle E. Cuomo, John-Paul Webster, Robert H. Crabtree, Timothy R. Newhouse & Victor S. Batista

2. Chemical Development, Boehringer-Ingelheim Pharmaceuticals Inc, Ridgefield, Connecticut, USA

   H. Ray Kelly, Vidhyadhar Manee, Sanil Sreekumar & Frederic G. Buono

转载和许可