초록
화학 반응 예측(CRPs)은 약물 탐색과 재료 과학의 발전에 중요한 역할을 합니다. 그러나 그 효과는 방대하고 불확실한 화학 반응 공간과 반응 선택성을 포착하는 데 어려움으로 인해 제약을 받고 있습니다. 특히, 기존 방법들이 데이터의 내재적 지식을 활용하는 데 한계가 있어 이러한 문제를 더욱 복잡하게 만듭니다. 이러한 도전들을 해결하기 위해, 우리는 데이터 큐레이션 자기 피드백 지식 유도 접근법을 소개합니다. 이 방법은 분자 표현의 반복 최적화에서 시작하여 화학 반응 유형(RTs)에 대한 지식 추출을 촉진합니다. 그런 다음, 적응형 프롬프트 학습을 사용하여 사전 지식을 대형 언어 모델(LLM)에 주입합니다. 결과적으로, 우리는 후향 합성 예측 정확도를 14.2% 향상시키고, 반응제 예측 정확도를 74.2% 증가시키며, 모델이 다중 작업 화학 반응을 처리하는 능력을 확장하였습니다. 이 연구는 과학 연구에서의 지식 유도에 새로운 패러다임을 제시하며, LLMs가 CRPs에서 활용할 수 있는 잠재력을 보여줍니다.