MolEvolve：大语言模型引导的可解释分子优化进化搜索

尽管深度学习在化学领域取得成功，但缺乏可解释性及难以解决“活性悬崖”问题限制了其应用。为此，本文提出 MolEvolve，一种将分子发现重构为自主前瞻规划问题的进化框架。该方法利用大语言模型主动探索并演化可执行的化学符号操作库，结合蒙特卡洛树搜索引擎进行测试时规划。系统能自主发现最优轨迹，生成透明的推理链，将复杂的结构转化转化为人类可读的化学洞察。实验表明，该方法在性质预测和分子优化任务上均优于基线。