本文研究了在化学领域中使用自然语言描述来增强预测模型。使用文献手动提取的大量结构化数据来训练化学信息模型是传统的方法。本文引入了一种新的方法 TextReact，该方法直接利用从文献中检索到的文本增强预测化学。TextReact 检索与给定化学反应相关的文本描述，然后将其与反应的分子表示进行对齐。通过在预测器训练中加入辅助的掩码语言模型目标，增强了这种对齐。我们通过两个化学任务进行了实证验证：反应条件推荐和一步逆合成。通过利用文本检索，TextReact 显著优于仅基于分子数据训练的最先进的化学信息模型。

Dec, 2023

OpenChemIE 是一种用于从化学文献中提取信息的开源工具，通过结合文本、表格和图像等多个模态来提取反应数据，并使用专门的神经模型和化学知识算法来实现高效的信息提取和集成。

Apr, 2024

为了提高化学反应预测准确性，这项研究介绍了一种数据筛选的自我反馈知识引导方法，将先前的知识融入大型语言模型，取得了显著的预测准确度提升，同时拓展了多任务化学反应的处理能力。

Apr, 2024

通过结合过程文本并使用两种主要方法（ReacLLaMA-Adapter 和 Zero-Shot Labeling ReacLLaMA），改进 Graphormer 反应模型的准确性，提高了对不良反应的辨别能力，从而提供了更准确的具有改进特异性的化学反应模型。

Jan, 2024

通过 EnzChemRED 数据集，利用大型语言模型等自然语言处理方法可以显著提高识别文本中的蛋白质和化学品提及以及提取它们参与的化学转化的能力，该数据集位于 PubMed 摘要中，旨在支持酶的修饰。

Apr, 2024

通过利用易于获取的非成对数据生成模拟反应，RetroWISE 利用基于真实配对数据推断的基础模型来培训模型，最终建立了更有效的基于机器学习的逆合成模型。

Jan, 2024

本文研究了利用低资源信息抽取（LRIE）的方法，实现从未标注数据中学习信息抽取任务。我们提出了一种名为 Gradient Imitation Reinforcement Learning（GIRL)）的方法，使用强化学习方法来鼓励伪标签数据模仿有标签数据的梯度下降方向，从而在低资源情况下，提高命名实体识别、关系提取和事件提取任务的性能。

Nov, 2022

通过使用基于变换器的模型，可以从不带注释的简单文本化学反应表示中推断出反应类别，并可用作反应指纹，其分类准确率达到了 98.2%，而且较之传统反应指纹更好地捕捉反应类别之间的差异。

Dec, 2020

药物行业的人工智能（AI）反应条件优化成为一个重要的话题，该数据驱动的 AI 模型可以帮助药物研发并加速反应设计。本文提出了一个大型语言模型（LLM）强化的 AI 代理，以填补现有 AI 模型不具备化学洞察力和获取实时知识的缺陷。通过引入先进的智能增强方法，如上下文学习和多 LLM 辩论，AI 代理可以借鉴人类的洞察力并通过搜索最新的化学文献来更新知识。此外，我们引入了一种基于粗略标签对比学习（CCL）的化学指纹，大大提高了代理在优化反应条件方面的性能。经过以上努力，所提出的 AI 代理能够自主地生成最佳的反应条件推荐而不需要任何人类交互。此外，该代理在化学反应方面表现出高度专业性，同时在干实验室和湿实验室实验中显示出接近人类的性能和强大的泛化能力。作为化学 AI 代理的首次尝试，本研究在 “化学 AI” 领域取得了进一步的进展，并为计算辅助合成计划开启了新的可能性。

Nov, 2023

使用来自异构信息源的注释对关系抽取学习进行建模的新型框架 REHession，利用嵌入技术学习上下文信息的分布表示，从而实现了标签真值的推断和精确的关系抽取。

Jul, 2017