知识卡片：动态语言模型表征用于多目标反应优化

一句话结论

该研究提出用微调语言模型从反应条件的文本描述中动态学习任务自适应表征，并与高斯过程代理模型联合训练、嵌入多目标贝叶斯优化闭环；摘要称其在镍/钯催化交叉偶联中比描述符库或 one-hot 编码用更少实验达到收敛，并在两个前瞻性案例中实现克级放大与高对映选择性。

事件概述或研究问题

多目标化学反应优化通常同时关心产率、选择性和安全性等目标。模型驱动方法高度依赖反应组分如何被表征。已有做法中，one-hot 编码化学信息不足；分子描述符又难以跨化学上不同的组分统一扩展。对于结构和功能多样的组分，“共享表征应包含什么”并不清楚，且为每个新反应系统重新设计共享表征本身成本高。本文试图绕过手工构建共享表征的步骤，改为从文本中动态学习反应表征。

方法/产品要点

• 将反应条件的文本描述作为输入。
• 用微调语言模型进行编码。
• 语言模型与高斯过程代理模型联合训练。
• 在多目标贝叶斯优化循环内产生任务自适应表征。
• 对比基线包括描述符库和 one-hot 编码。
• 在镍催化和钯催化交叉偶联、顺序实验与并行实验模式下评估。
• 前瞻性应用包括：钯催化氰化，覆盖混合配体齿合度与非均相添加剂；三目标不对称氢化，覆盖手性铱和钌催化剂家族。
• 两个前瞻性案例共进行两轮高通量实验：192 个反应，低于各自设计空间的 3%。

主要结果或产业意义

• 摘要称，在镍和钯催化交叉偶联的顺序与并行实验模式下，该方法比描述符库或 one-hot 编码用更少实验达到优化收敛。
• 在两个前瞻性案例中，两轮高通量实验得到的条件可直接转化到克级规模，分离收率报告为 94% 和 84%；其中后者达到 99.6% 对映体过量（ee）。
• 产业意义方面，材料显示该方法可减少实验次数，并支持从高通量筛选条件直接克级放大。成本、安全目标处理、跨体系泛化与工业可重复性均待核实。

为什么重要

反应表征是模型驱动反应优化的关键瓶颈之一。该工作把“文本描述”作为统一接口，让语言模型与实验闭环共同学习任务自适应表征，从而避免为每个新反应系统手工设计共享特征。它还把语言模型表征、高斯过程代理、多目标贝叶斯优化和高通量实验连接起来，展示了 AI 辅助化学合成从算法到克级放大的可能性。与已有相关卡片相比，本条增量在于：既有卡片多关注语言模型用于运筹学公式选择、多智能体控制或模型压缩；本条关注的是语言模型动态表征用于多目标化学反应优化，并以实验闭环和放大结果为证据。

与既有脉络的关系

已有相关卡片分别涉及大语言模型用于多仓库库存分配中的运筹学公式选择、奶牛场多目标电池管理、以及极端低位大语言模型压缩。本条不是对同一事实的重复，而是把“语言模型作为可训练表示层”的线索延伸到化学反应多目标优化：不依赖固定描述符或 one-hot，而是从反应条件文本中学习任务自适应表征，并接入贝叶斯优化与高通量实验闭环。

局限与不确定性

• 模型架构、训练数据规模、微调细节、高斯过程与贝叶斯优化配置、基线实现和统计显著性待核实。
• 是否开源代码、数据与实验协议待核实。
• 摘要将“安全性”列为多目标示例，但前瞻性案例是否显式优化安全目标待核实。
• “设计空间”的定义、192 个反应与“低于 3%”的对应关系、两轮高通量实验的具体组成待核实。
• 跨更多反应类型、催化剂体系、实验规模和工业条件的泛化性待核实。
• 文本描述的质量控制、标准化流程和潜在标签泄漏风险待核实。
• 与图神经网络、分子指纹等其他表征方法的比较范围待核实。
• 克级放大条件与高通量筛选条件的一致性、重复性和误差范围待核实。

可用于图书/PPT/简报的角度

• 从 one-hot/分子描述符到文本驱动动态表征：化学反应 AI 的表示层创新。
• 语言模型不只是生成工具，也可作为可训练编码器嵌入科学优化闭环。
• 多目标贝叶斯优化 + 高通量实验：少样本实验设计与闭环迭代。
• 从算法收敛到克级放大：AI 辅助合成如何接近实用工艺条件。
• 用自然语言描述统一异构化学组分：潜力与待核实的泛化、可解释性和安全目标。
• 与已有“语言模型用于运筹/控制/压缩”卡片形成对照：同一类模型能力迁移到实验科学的不同路径。

原始材料

• Title: Dynamic language model representations for multi-objective reaction optimisation
• Authors: Joshua W. Sin, David Ming Segura, Bojana Ranković, Siu Lun Chau, Marius D. R. Lutz, Andrea Anelli, Ryan P. Burwood, Kurt Püntener, Maximilian J. Notheis, Raphael Bigler, Philippe Schwaller
• arXiv ID: 2609.11790v1
• Published: 2026-09-10T16:43:08Z
• Updated: 2026-09-10T16:43:08Z
• Primary category: cs.LG
• Categories: cs.LG
• Abstract URL: https://arxiv.org/abs/2609.11790v1
• PDF URL: https://arxiv.org/pdf/2609.11790v1
• English keywords（据材料提取）: multi-objective reaction optimisation; dynamic language model representations; fine-tuned language model; Gaussian process surrogates; multi-objective Bayesian optimisation; high-throughput experimentation; cross-coupling; cyanation; asymmetric hydrogenation.