化学、生物与自动化实验室
突破级
有讲解视频
收录解读
分子优化里最棘手的问题之一，是 activity cliffs 让微小结构变化触发巨大的性质跃迁，而许多深度学习方法又依赖相似性原则和黑箱表征，难以给出可解释的结构操作路径。MolEvolve 处理的不是普通的 property prediction 提分，而是如何让分子优化过程本身变成一个可规划、可解释、可工具化的 agentic search 问题。
论文把 molecular discovery 重写成 autonomous look-ahead planning：系统先由 LLM 冷启动，再通过 Monte Carlo Tree Search 与 RDKit 等外部化学工具共同搜索一组可执行 chemical symbolic operations。重点不在单次生成分子，而在于持续演化一个可操作、可审查的符号操作库，使结构改动和性质变化之间的关系能够被串成透明的 reasoning chain。
它值得正式收录，因为它把 AI x chemistry 从黑箱打分器推进到更接近 agentic scientific workflow 的层次：LLM、外部工具、测试时规划和可解释符号操作共同构成优化回路。对分子设计、AI for science agent、以及“可解释工具化搜索”这条主线都有明确外溢。
它目前仍是 breakthrough，而不是更高一级，因为证据还主要来自 benchmark 级分子优化与性质预测任务，距离更强的实验闭环、湿实验验证和更大规模真实发现工作流还有距离。它已经展示了很好的方法方向，但长期影响仍取决于是否能走出 benchmark chemistry。