FORGE: 문맥 인식 분획 기반 순위 지정 및 생성을 통한 분자 최적화

분자 최적화는 시작 화합물과의 유사성을 유지하면서 작은 구조 편집을 통해 분자를 개선하는 것을 목표로 합니다. 최근의 언어 모델 접근 방식들은 일반적으로 이 작업을 프롬프트 조건부 시퀀스 생성으로 취급합니다. 하지만 자연어를 사용한다는 것은 내재적인 데이터 스케일링 병목 현상을 초래하고, 종종 화학적 환각(chemical hallucinations)을 유발하며, 분획 효과의 강력한 문맥 의존성을 무시합니다. 본 논문에서는 분자 최적화를 문맥 인식 로컬 편집으로 재정의하는 2단계 프레임워크인 FORGE를 제시합니다. 값비싼 인간의 텍스트 주석 대신 자동 추출되고 검증된 저-고(low-to-high) 편집 쌍을 활용하여, Stage 1은 전체 분자 문맥 하에서 후보 분획들을 그 속성 기여도에 따라 순위 지정하여 화학적 사전 지식(chemical prior)을 주입하고, Stage 2는 명시적인 분획 대체물을 생성합니다. 소형 0.6B 언어 모델을 기반으로 FORGE는 인컨텍스트 데모네이션(in-context demonstrations)을 통해 보지 못한 블랙박스 목표에도 적응합니다. Prompt-MolOpt, PMO-1k 및 ChemCoTBench 전반에 걸쳐 FORGE는 훨씬 더 큰 언어 모델과 그래프 방법론을 포함한 기존의 방법들을 일관되게 능가하는 성능을 보여줍니다. 이러한 결과들은 자연어 학습에 대한 보다 쉽게 얻을 수 있고, 확장 가능하며, 환각이 없는 대안으로서 명시적인 분획 수준의 지도(fragment-level supervision)의 가치를 강조합니다.