精选今天0 投票
小语言模型分子预测新突破：图神经网络工具加持，准确率飙升74%
小语言模型（SLM）在从SMILES字符串预测分子性质时，常因序列表示无法捕捉图拓扑结构而表现欠佳。一项新研究提出**上下文增强提示（Context-Augmented Prompting）**框架，让SLM在推理时动态调用图神经网络（GNN）工具——GNN专家模型提供预测提示及其置信度，另一GNN提取解释性子图（如子图SMILES与解释文本）。在MUTAG和Tox21数据集上，五种提示配置的对比实验显示：引入图上下文后，SLM准确率显著提升，相对改进超过25%，Tox21上最高达74%。研究还通过边丢弃干预验证了提取基序的功能相关性。不过，SLM与专用GNN模型之间仍存在差距，凸显了文本推理在分子结构理解中的潜力与局限。该成果已在ESWC2026因果神经符号AI研讨会上发表。