ChemBART 以反应表达式预训练统一多项化学任务，并经湿实验验证合成路线。
资讯摘要
论文提出 ChemBART，一个基于 BART、以完整反应表达式（反应物>试剂>产物）为对象的掩码填充预训练语言模型，可完成前体/试剂生成、温度-产率回归和分子性质分类等任务。作者将其与蒙特卡洛树搜索结合，在强化学习框架中优化策略与价值函数，用于多步合成路线设计。作者报告湿实验验证了所提路线与反应条件，合成路径更短，产率较文献基准提升超过 20%。
要点速读
- ChemBART 采用反应中心式预训练，在完整反应表达式上做掩码填充，统一处理前体/试剂生成、温度-产率回归与分子性质分类。
- 作者将 ChemBART 与 MCTS 结合，在强化学习中优化策略和价值函数，用于多步合成路线设计。
- 作者报告湿实验验证了多步路线与反应条件，路径更短且产率较文献基准提升超过 20%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。