Logos: Ein lernfähiger Logik-Engine für rationales Molekül-Design

Die Entdeckung und Gestaltung funktionaler Moleküle bleibt ein zentrales Ziel in Chemie, Biologie und Materialwissenschaften. Während moderne Machine‑Learning‑Ansätze die Vorhersage molekularer Eigenschaften und die Generierung von Kandidaten beschleunigen, zeigen sich bestehende Modelle oft in einem Dilemma: Sie liefern entweder physikalisch präzise Ergebnisse ohne nachvollziehbare Logik oder flexible Schlussfolgerungen ohne Garantie chemischer Gültigkeit. Dieses Ungleichgewicht erschwert die Zuverlässigkeit von KI‑Systemen in realen Design‑Workflows.

Logos löst dieses Problem, indem es ein kompaktes, molekulares Logikmodell entwickelt, das mehrstufige Schlussfolgerungen mit strenger chemischer Konsistenz verbindet. Das Training erfolgt in drei Phasen: Zunächst werden dem Modell explizite Beispiele für logische Schritte präsentiert, die Molekülbeschreibungen mit strukturellen Entscheidungen verknüpfen. Anschließend werden diese Denkabläufe mit molekularen Repräsentationen ausgerichtet, und in der letzten Phase werden chemische Regeln und Invarianten direkt in die Optimierungsfunktion einfließen, sodass das Modell gezielt zu chemisch gültigen Ausgaben geführt wird.

Auf einer Vielzahl von Benchmark‑Datensätzen demonstriert Logos eine herausragende Leistung in Bezug auf strukturelle Genauigkeit und chemische Validität. Es erreicht oder übertrifft die Ergebnisse deutlich größerer, allgemein einsetzbarer Sprachmodelle, während es nur einen Bruchteil ihrer Parameter nutzt. Darüber hinaus verhält sich Logos stabil bei molekularen Optimierungsaufgaben, die mehrere, potenziell widersprüchliche Einschränkungen enthalten.

Durch die explizite Darstellung der Zwischenschritte ermöglicht Logos nicht nur eine transparente Nachvollziehbarkeit, sondern auch eine direkte menschliche Inspektion und Bewertung. Diese Eigenschaften machen Logos zu einem vielversprechenden Werkzeug für die rationalen Molekül‑Design‑Prozesse, das sowohl Effizienz als auch Zuverlässigkeit in wissenschaftlichen Arbeitsabläufen steigert.