武汉大学武宇教授团队研发化学合成推理大模型Retro-Expert,在AI赋能化学合成领域取得新进展
- 2026-09-11 21:23:05
导读
近日，武汉大学人工智能学院武宇教授团队在AI赋能化学合成领域取得新进展，研发出面向分子逆合成规划的化学合成推理大模型Retro-Expert。该模型将专业化学模型的先验知识与大语言模型的逻辑推理能力相结合，突破了传统人工智能逆合成方法依赖模式匹配和数据记忆的局限，实现了从“反应模板预测”向“化学逻辑推理”的转变，为药物研发、分子设计和智能化合成规划提供了新的技术路径。
逆合成分析是化学合成中的基础任务，旨在根据目标产物反向推导潜在反应物与合成路线，在新药发现、材料设计和精细化工等领域具有重要应用价值。长期以来，现有人工智能方法大多依赖已有反应数据建立“产物—反应物”的映射关系，本质上更偏向对训练数据中反应模式的学习与复现。面对复杂分子、新颖结构等新场景时，这类方法往往难以进行可靠的逻辑判断、方案比较和过程解释，预测结果也常呈现黑盒状态，限制了其在真实科研和产业场景中的应用。
针对这一瓶颈，研究团队从推理而非单纯匹配的视角出发，提出了Retro-Expert化学合成推理大模型。该模型构建了专业知识引导—大模型推理—策略优化纠错的智能推理体系：首先从化学专业模型中提取高质量先验知识，构建面向逆合成任务的化学决策空间；在此基础上，利用大语言模型的推理能力对候选路径进行分析、筛选与验证，像化学家一样“思考”合成路径。与传统方法主要输出单一预测结果不同，Retro-Expert能够对不合理方案进行识别与拒绝，并在必要时主动生成新的合成方案。即使在候选方案全部错误的情况下，模型仍能通过自我反思和纠错机制生成新的正确路径。
▲ Retro-Expert工作示意图
在技术实现上，团队提出了知识引导的策略优化算法KGPO和基于化学工具的奖励模型Chem-RM，从化学可行性、路径合理性等方面引导大模型学习可靠的决策策略，使其从拟合已有反应数据转向主动理解和优化化学合成过程。
实验表明，Retro-Expert在USPTO系列基准数据集的多项指标上优于多种现有方法，显著优于GPT等通用大模型基线，并能高效扩展至多步逆合成路径规划。团队进一步结合化学湿实验验证了模型的实用价值，模型预测出全新合成路径并通过湿实验成功合成出目标化学分子。该成果体现了人工智能从数据驱动预测向知识增强推理的重要转变，也为AI for Science领域科学大模型的研发提供了有益探索。
▲ Retro-Expert推理合成过程
相关研究成果已被国际机器学习领域顶级会议ICML 2026录用，论文题为“Retro-Expert: Collaborative Reasoning for Interpretable Retrosynthesis”。武汉大学计算机学院研究生李欣怡、王赛为论文共同第一作者，武宇教授为通讯作者。该项研究工作得到了新一代人工智能国家科技重大专项支持。
论文链接：https://arxiv.org/abs/2508.10967
开源链接：https://github.com/MagixRab-ll/Retro-Expert
