Современная вычислительная химия позволяет R&D-командам моделировать обширные библиотеки молекул-кандидатов, материалов и путей синтеза. Однако физическая химическая лаборатория остаётся главным узким местом, сжигающим бюджеты. Ручная проверка рецептов синтеза требует внушительных затрат, ограниченных часов работы ученых и дорогостоящих высокочистых реагентов. Традиционная байесовская оптимизация отчасти снижает долю догадок за счет баланса эффективности и статистической дисперсии, но она крайне изолирована: алгоритм, настроенный под условия органических реакций, нельзя перенести в дизайн молекул или твердотельные аккумуляторы без полной переработки с нуля.
Объединение языковых моделей с гауссовскими процессами Большие языковые модели хранят колоссальный объем химической литературы, но их структурная ненадежность делает прямое применение в реальных лабораториях рискованным. Некалиброванная модель с абсолютной уверенностью выдает галлюцинации в виде нереализуемых путей синтеза, раздувая расходы на реагенты в заведомо провальных тестах. Чтобы превратить этот недостаток в математическое ограничение, Бояна Ранкович и Филипп Шваллер из Лаборатории искусственного химического интеллекта EPFL разработали GOLLuM (Gaussian Process Optimized LLMs), опубликовав исследование в журнале Nature Machine Intelligence.
Вместо того чтобы использовать LLM как статичный оракул через zero-shot промпты, GOLLuM связывает репрезентации модели с гауссовским процессом, выступающим в роли явного детектора сомнений. Этот вероятностный слой количественно оценивает неопределенность наряду с ожидаемой эффективностью, заставляя латентное пространство модели динамически перестраиваться по мере поступления экспериментальных данных.
«Языковые модели печально известны неумением понимать, когда они ошибаются. В GOLLuM эта неопределенность становится тем самым сигналом, который их обучает», — пояснила Ранкович, руководившая разработкой в EPFL.
Благодаря такой механике экспериментальные условия, дающие схожие практические результаты, группируются в пространстве представлений, тогда как расходящиеся исходы отдаляются друг от друга, формируя надежные границы неопределенности.
Результаты бенчмарков в химии и материаловедении Команда EPFL протестировала GOLLuM на 23 различных бенчмарках, охватывающих органический синтез, технологическую химию, аналитические процессы, катализ и оптимизацию свойств молекул. Чтобы воссоздать сложные условия реальных поисковых R&D, каждый прогон начинался всего с 10 исходных наблюдений с низкой эффективностью. Принципиально важно, что исследователи применили одну и ту же конфигурацию модели во всех 23 областях без подгонки гиперпараметров под конкретные задачи.
На всем наборе бенчмарков GOLLuM находил оптимальные экспериментальные условия значительно быстрее стандартных суррогатных моделей. В совокупности архитектура достигла сопоставимых со стандартными методами оптимизации результатов, потребовав на 40% меньше физических экспериментов — это прямое сокращение расхода реагентов и времени занятости оборудования.
Практическая значимость и инженерные вызовы Для руководства фармацевтических и материаловедческих компаний сокращение лабораторных тестов на 40% означает ускорение вывода продуктов на рынок и прямое снижение капитальных затрат на каждый цикл разработки соединений. Однако масштабирование GOLLuM до промышленных производственных линий сопряжено с серьезными инженерными ограничениями. Академические бенчмарки с 10 слабыми стартовыми точками работают в условиях чистого соотношения сигнал/шум; на реальном производстве реакторы периодического действия, проприетарные устаревшие форматы и погрешности физических измерений потребуют надежных пайплайнов автоматического сбора данных и валидации в реальном времени перед развертыванием на уровне предприятия.