arXiv · cs.AI· Hannah Lawrence, Bodhi P. Vani, Ji Won Park, Natasa Tagasovska, Samuel Don Stanton, Andrew Martin Watkins, Michael Maser, Ewa M. Nowara·· 5 小时前
PairIT：利用自回归Transformer进行低数据分子优化
PairIT: Autoregressive Transformers for Low-Data Molecule Optimization
arXiv:2610.19123v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Hannah Lawrence, Bodhi P. Vani, Ji Won Park, Natasa Tagasovska, Samuel Don Stanton, Andrew Martin Watkins, Michael Maser, Ewa M. Nowara
研究任务与主要进展
PairIT是一种面向低数据分子优化的自回归Transformer训练框架，通过学习结构相似分子匹配对，生成对种子分子进行局部、具有化学意义编辑的分子。提示 token 可指定目标性质、优化方向和近似变化幅度，多个提示 token 可用于推理时的多性质优化；强化学习后训练还可在种子分子接近度与优化目标之间调节取舍。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org