MolLean：化学推論を実行可能で検証できるプロセスへ

導入

大規模言語モデルは、化学推論について流暢に説明できても、分子構造を正確に操作できるとは限らない。編集の途中で原子数を取り違えたり、存在しない官能基を説明したり、実際には測定していない性質が改善したと主張したりする可能性がある。MolLeanはこの問題に対し、推論を明示的な分子状態に結び付いた実行可能な軌跡として表現する。もっともらしい文章をそのまま信頼するのではなく、各段階の化学的なコミットメントを検証可能にする考え方だ。

仕組みの要点

• 分子状態を明示的に管理する。 推論が進む間、MolLeanは具体的な分子状態を保持する。グラフ編集や複合変換、分子の読み出しに関する主張は、その状態と整合していなければならない。
• 検証を階層化する。 Leanを基盤とするカーネルが、基本的なグラフ操作から複雑な変換までを段階的に確認し、分子読み出しに対する主張も検査する。
• 構造と測定を分ける。 型付きウィットネス・プロトコルは、システムが内部で検証できる構造的事実と、外部の評価器から与えられる測定結果を区別する。構造が変わったことと、性質が改善したことには異なる証拠が必要になる。
• 拒否を状態に反映させない。 一括実行や全軌跡の改良に加え、MolLean-MCPは状態を持つ対話インターフェースを提供する。モデルは各操作の結果を受け取り、拒否された操作は分子状態を変更しない。

論文では、エタノールから1-プロパノールへの編集、炭素数を正確に25個へ制約する例、測定結果を使ったQED最適化、そして不適切なフェニル基の結合を拒否して次の操作へ進む対話例が示されている。ここで重要なのは、検証が最終的な採点だけでなく、次の操作の範囲を決めるフィードバックにもなる点だ。

評価と意味

研究者は、分子生成、編集、最適化、反応を含む12種類のタスクについて、8800件の対応サンプルを用いて直接的な思考連鎖とMolLeanの複数の実行モードを比較した。Qwen3.6-27Bでは、全軌跡の改良が12タスクすべてで直接的な思考連鎖を上回った。また、MolLean-MCPは段階的な検証フィードバックで全軌跡の改良を補完し、反応タスクでより良い結果を示したと報告されている。

この研究の意義は、化学AIの回答を「もっともらしい結論」から「実行、検証、拒否、修正が可能な過程」へ移そうとしている点にある。分子設計や反応推論を監査しやすくし、構造に関する幻覚や根拠のない性質判断を抑える可能性がある。一方、今回の素材が示すのはフレームワークとベンチマーク結果であり、プロジェクトページではコード公開が予定されている段階だ。より広いデータ、実験との閉ループ、他のモデルでの再現性は今後の検証課題となる。

Hugging Face Daily Papers