-
日期: 2026-05-20 | 來源: DeepTech深科技 | 有0人參與評論 | 字體: 小 中 大
研究人員強調，最重要的實驗結果就來自於這種全新機理的反應預測。僅僅完全參照模型給出的預測，他們就取得了實驗上的成功，而且讓之前已報道過的相同底物上失敗案例得以實現。論文審稿人對這壹點也贊賞有加，認為全新反應的創新是本次論文的壹大亮點。
他們還發現了壹個很有意思的規律，他們把所有合成嘗試的結果和預測的置信度做了對比。當預測距離小於 100 時，實驗成功率超過 75%。當距離大於 200 時，成功率降到 50% 左右。
這個置信度指標成了實驗優先級排序的有效工具，高置信度的反應可以大膽嘗試，低置信度的反應值得探索但也需要留更多容錯空間。
論文審稿人特別認可這個可信度指標，認為它彌補了壹個長期存在的瓶頸，過去只有專家才能評估大模型預測的好壞，現在有了壹個可量化的指標。
在預測試劑和溶劑時，單次預測的精確匹配率只有 22.4% 和 29.8%，但如果讓叁個專家壹起投票，精確匹配率幾乎翻倍到 43% 和 32.8%，部分匹配的成功率更是達到了 94.8%，這說明聯合多個專家的意見能大幅提升預測可靠性。
（來源：《自然》）
李昊特告訴 DeepTech，這項研究剛開始的時候，有共同作者壹度懷疑它的價值，理由是已經有像 Chemcrow 這樣的架構，直接通過給 GPT-4 語言指令的方式完成壹系列化學操作，看起來已經涵蓋了研究目標。
但團隊裡有人從不同視角觀察，發現商業模型本身存在隱藏的缺點，對化學的理解還有非常大的提升空間。研究人員通過實驗數據證明了這壹點，這個插曲讓團隊深刻體會到獨立思考的重要性，不能因為存在可行方案，就停止尋找更好的方法。
雖然 MOSAIC 可以以較高概率解決實際化學問題，但模型目前還不能解釋自己的預測。可解釋性是當前研究的重點，研究人員希望下壹步的模型不僅能給出高成功率的方案，還能說清楚為什麼選擇這個條件、為什麼這個反應能成功，而這也是真正讓 AI 理解化學的關鍵壹步。
研究人員認為這項技術在藥物合成、材料發現等方向有著優秀的轉化前景。MOSAIC 最直接的應用就是全自動機器合成平台，它可以生成高成功率的實驗方案，然後直接交給機器人平台去執行，用來探索新藥物、新材料。
另外，MOSAIC 可以和現有的大型化學搜索平台，比如 Reaxys 和 SciFinder 結合起來。過去在這些平台上搜索壹個反應，可能會返回成千上萬條相似的文獻，讓人無從下手，MOSAIC 可以把這些結果整理成最少、最直接可用的方案。
在實驗室裡時間是最貴的成本，MOSAIC 旨在幫助化學領域的研究人員快速篩選有希望的實驗方向，把搜索成千上萬篇文獻的時間縮到幾分鍾。
目前，研究人員已經將 MOSAIC 開源，所以感興趣的人士均可使用。
參考資料：
相關論文
https://doi.org/10.1038/s41586-026-10131-4
運營/排版：何晨龍
注：封面/首圖由 AI 輔助生成- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見