요약: 다단계 역합성은 목표 분자를 연속적인 반응 단계를 거쳐 구매 가능한 빌딩 블록으로 재귀적으로 변환하는 과정을 요구하며, 최근 연구에서는 이 과제 해결을 위해 대규모 언어 모델(LLM)의 추론 기능을 활용하기 시작했습니다. LLM 추론 기술은 최근 진화를 통해 장기적 전망 영역으로 확장되었으며, 모델들은 상호 의존적인 여러 단계에 걸쳐 목표를 추구하고 환경과 상호작용하며 피드백에 적응합니다. 이러한 변화는 AI 기반 수학 연구에서의 획기적인 성과로도 입증되며, LLM의 능력을 크게 향상시켰습니다. 이러한 최전선에서 우리는 8B 규모의 LLM인 Solvent를 소개합니다. Solvent는 장기적 추론을 다단계 역합성에 성공적으로 적용한 사례입니다. 두 차례에 걸친 사후 학습 커리큘럼을 통해 Solvent는 반복적인 합성 계획 수립, 외부 공급 가능성 검증, 그리고 적응형 경로 수정을 유기적으로 병렬 수행하는 방식을 학습합니다. 실험 결과, 강화학습을 통해 성능이 2.1배 향상된 후 Solvent는 네 가지 벤치마크에서 61.86%의 정확도를 기록하며, 중규모 언어 모델들과 기존의 검색 기반 역합성 시스템을 앞서고, 최첨단 수십조 파라미터 규모 LLM들과도 어깨를 나란히 하는 성과를 보여줍니다.
제출 기록
Access Paper:
PDF 보기
HTML(실험적)
TeX 소스
추가 기능
오디오 요약
현재 탐색 컨텍스트:
참고문헌 및 인용
구글 학술 검색
시멘틱 스콜라
북마크
기관
arXivLabs는 협업자가 당사 웹사이트에서 새로운 arXiv 기능을 직접 개발하고 공유할 수 있도록 하는 프레임워크입니다.
arXivLabs와 협력하는 개인과 조직 모두는 개방성, 커뮤니티, 탁월성, 그리고 사용자 데이터 프라이버시라는 당사의 가치를 수용하고 이를 준수해 왔습니다. arXiv은 이러한 가치에 전념하며, 이들 가치를 준수하는 파트너들과만 협력합니다.
arXiv 커뮤니티에 가치를 더할 프로젝트 아이디어가 있으신가요? arXivLabs에 대해 자세히 알아보세요.