molecular-design

提出了两种互补方法，将预测不确定性融入化学语言模型的强化学习中，提高了鲁棒性，并在从头分子设计中将真实命中率提升了0.25。

介绍了约束流优化（CFO）框架，该框架通过微调生成流模型，在分子设计中最大化奖励的同时满足约束，具有理论保证和实验验证。

EPFL的研究人员开发了Synthegy，一个利用大型语言模型通过自然语言指令指导化学逆合成和反应机理分析的AI框架，显著提升了化学家的战略规划能力。

ChemAmp 引入了一种工具增强范式，通过动态协调专门的化学工具（UniMol2、Chemformer）作为可组合智能体来增强分子任务的性能。该框架性能超越了化学专用模型，并相比传统多智能体系统将推理令牌成本降低了 94%。