Des chercheurs entraînent C3LM pour la rétrosynthèse en une seule étape
Le modèle utilise le prompting Top-K et des récompenses de plausibilité sur environ 45,6 millions de réactions vérifiées.
Pourquoi c'est important
L’article soutient que l’évaluation à réponse unique ne rend pas compte de la nature un-à-plusieurs de la rétrosynthèse, une tâche clé de la planification de synthèse assistée par ordinateur. Le constat selon lequel les LLM et les modèles classiques explorent des espaces réactionnels complémentaires ouvre la voie à des systèmes d’ensemble pour l’IA appliquée à la chimie.
Points clés
- 1.C3LM cible la rétrosynthèse en une seule étape avec un entraînement sensible à la plausibilité.
- 2.Le jeu de données comprend environ 45,6 millions de réactions vérifiées.
- 3.Les LLM et les modèles classiques pourraient être plus efficaces au sein de systèmes d’ensemble.
Des chercheurs ont présenté C3LM, un modèle de langage à contraintes chimiques cohérentes destiné à la rétrosynthèse en une seule étape. Le travail s’appuie sur le prompting Top-K pour produire des prédictions de réactions diverses et plausibles, et sur un entraînement avec CREED-CCV-2+USPTO-XL, un jeu de données d’environ 45,6 millions de réactions vérifiées. Grâce à un affinage complété par des récompenses fondées sur ChemCensor et orientées vers la nouveauté, le modèle revendique des performances de pointe sur le benchmark hors distribution URSA-expert-2026.
⚡ À tester aujourd'hui
Évaluer les modèles de rétrosynthèse avec des sorties Top-K plausibles, et pas seulement selon l’exactitude d’une réponse unique.
Sources et articles originaux
Ce brief résume et renvoie vers la couverture des médias ci-dessous.
- arXiv cs.LGTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- arXiv cs.AITraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- arXiv cs.CLTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- HF Daily PapersTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 19, 4:00 AM↗
Ce brief vous a plu ? Recevez le prochain par e-mail.
Plus dans Recherche
MemTrapBench teste les pièges cognitifs liés à l’usage de la mémoire par les LLM
Le benchmark montre que la mémoire peut dégrader les performances, même lorsque les éléments retrouvés sont pertinents.
AI4AI-Bench teste les agents sur la conception d’algorithmes d’entraînement
Ce benchmark publié sur arXiv évalue si des agents LLM peuvent réécrire des algorithmes d’entraînement dans des dépôts figés.
De nouveaux articles ciblent l’attention éparse pour l’IA à long contexte
Des chercheurs proposent des méthodes pour rendre moins coûteuses l’inférence à long contexte, le serving, la génération vidéo et la mémoire.