論文の概要: ChemDFM-R: An Chemical Reasoner LLM Enhanced with Atomized Chemical Knowledge

• arxiv url: http://arxiv.org/abs/2507.21990v1
• Date: Tue, 29 Jul 2025 16:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:56.753044
• Title: ChemDFM-R: An Chemical Reasoner LLM Enhanced with Atomized Chemical Knowledge
• Title（参考訳）: ChemDFM-R:微粒化化学知識で強化された化学共振器LLM
• Authors: Zihan Zhao, Bo Chen, Ziping Wan, Lu Chen, Xuanze Lin, Shiyang Yu, Situo Zhang, Da Ma, Zichen Zhu, Danyang Zhang, Huayang Wang, Zhongyang Dai, Liyang Wen, Xin Chen, Kai Yu,
• Abstract要約: この研究は化学の特定の分野に焦点をあて、ケミカル・リアソナー LLM, ChemDFM-R を開発した。 まず、原子化知識点の包括的データセットを構築し、モデルの基本原理と化学の論理構造に対する理解を深める。 多様な化学ベンチマークの実験により、ChemDFM-Rは解釈可能で合理的な出力を提供しながら最先端のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 14.6026550444088
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While large language models (LLMs) have achieved impressive progress, their application in scientific domains such as chemistry remains hindered by shallow domain understanding and limited reasoning capabilities. In this work, we focus on the specific field of chemistry and develop a Chemical Reasoner LLM, ChemDFM-R. We first construct a comprehensive dataset of atomized knowledge points to enhance the model's understanding of the fundamental principles and logical structure of chemistry. Then, we propose a mix-sourced distillation strategy that integrates expert-curated knowledge with general-domain reasoning skills, followed by domain-specific reinforcement learning to enhance chemical reasoning. Experiments on diverse chemical benchmarks demonstrate that ChemDFM-R achieves state-of-the-art performance while providing interpretable, rationale-driven outputs. Further case studies illustrate how explicit reasoning chains significantly improve the reliability, transparency, and practical utility of the model in real-world human-AI collaboration scenarios.
• Abstract（参考訳）: 大規模言語モデル(LLM)は目覚ましい進歩を遂げているが、化学などの科学分野への応用は、浅い領域理解と限られた推論能力によって妨げられている。 本研究では,化学の特定の分野に焦点をあて,ケミカルリゾナーLLM,ChemDFM-Rを開発した。 まず、原子化知識ポイントの包括的なデータセットを構築し、モデルの基本原理と化学の論理構造に対する理解を深める。 そこで本研究では,専門知識と一般ドメイン推論スキルを融合した混合ソース蒸留手法を提案する。 多様な化学ベンチマークの実験により、ChemDFM-Rは解釈可能で合理的な出力を提供しながら最先端のパフォーマンスを達成することが示された。 さらにケーススタディでは、現実の人間とAIのコラボレーションシナリオにおいて、明示的な推論チェーンがモデルの信頼性、透明性、実用性を著しく改善することを示す。

関連論文リスト

• Bridging the Plausibility-Validity Gap by Fine-Tuning a Reasoning-Enhanced LLM for Chemical Synthesis and Discovery [0.0]
  大規模言語モデルはしばしば科学的に妥当だが、実際は無効な情報を生成する。 本稿では, このギャップを埋める手法として, 専門的な科学アシスタントを開発する。
  論文  参考訳（メタデータ） (2025-07-09T23:05:23Z)
• Beyond Chemical QA: Evaluating LLM's Chemical Reasoning with Modular Chemical Operations [43.623140005091535]
  我々は、分子構造理解を算術に着想を得た演算でブリッジする推論フレームワークであるChemCoTBenchを紹介する。 ChemCoTBenchは、化学的問題解決を透明でステップバイステップの推論に形式化する。 分子特性最適化と化学反応予測という2つの高影響タスクのモデルを評価する。
  論文  参考訳（メタデータ） (2025-05-27T15:15:44Z)
• Chemical reasoning in LLMs unlocks strategy-aware synthesis planning and reaction mechanism elucidation [0.3065062372337749]
  大規模言語モデル(LLM)は、化学分析を可能にする強力なツールとして機能する。 化学戦略の評価と探索アルゴリズムを化学的に意味のある解へと導く能力を活用している。 我々のアプローチは、コンピュータ支援化学の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-03-11T15:27:17Z)
• ChemEval: A Comprehensive Multi-Level Chemical Evaluation for Large Language Models [62.37850540570268]
  この領域の既存のベンチマークは、化学研究専門家の特定の要求を適切に満たさない。 ChemEvalは化学の4つの重要な進歩レベルを特定し、42の異なる化学タスクで12次元のLCMを評価する。 その結果, LLMは文献の理解と指導に優れる一方で, 高度な化学知識を必要とするタスクでは不足していることがわかった。
  論文  参考訳（メタデータ） (2024-09-21T02:50:43Z)
• ChemVLM: Exploring the Power of Multimodal Large Language Models in Chemistry Area [50.15254966969718]
  textbfChemVLMは、化学応用のためのオープンソースの化学マルチモーダル大規模言語モデルである。 ChemVLMは、テキストと視覚の化学情報の両方を理解する能力を高めるために、慎重にキュレートされたバイリンガルデータセットで訓練されている。 我々はChemVLMを、様々なタスクにおいて、オープンソースおよびプロプライエタリな多モーダルな大規模言語モデルに対してベンチマークする。
  論文  参考訳（メタデータ） (2024-08-14T01:16:40Z)
• Are large language models superhuman chemists? [4.87961182129702]
  大規模言語モデル(LLM)は、人間の言語を処理し、明示的に訓練されていないタスクを実行する能力によって、広く関心を集めている。 本稿では,最新のLCMの化学知識と推論能力を評価する自動化フレームワークであるChemBenchを紹介する。 我々は2700以上の質問応答ペアをキュレートし、主要なオープンソースとクローズドソースのLCMを評価し、最良のモデルが最高の化学者より優れていることを発見した。
  論文  参考訳（メタデータ） (2024-04-01T20:56:25Z)
• ChemLLM: A Chemical Large Language Model [49.308528569982805]
  大規模言語モデル(LLM)は化学応用において顕著な進歩を遂げた。 しかし、コミュニティには化学に特化したLLMが欠落している。 本稿では,化学に特化した最初のLLMを特徴とする包括的フレームワークであるChemLLMを紹介する。
  論文  参考訳（メタデータ） (2024-02-10T01:11:59Z)
• Structured Chemistry Reasoning with Large Language Models [70.13959639460015]
  大規模言語モデル(LLMs)は様々な分野において優れているが、特に化学において複雑な科学的推論に苦慮している。 所望のガイダンスを提供し,LSMの化学的推論能力を大幅に向上させる,シンプルで効果的なプロンプト戦略であるStructChemを紹介した。 量子化学、力学、物理化学、運動学の4分野にわたる試験では、StructChemはGPT-4の性能を大幅に向上させ、最大30%のピーク改善を実現している。
  論文  参考訳（メタデータ） (2023-11-16T08:20:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。