تُعتبر عملية تحسين ظروف التفاعل الكيميائي، مثل اختيار المحفز، والموحدات، والمذيبات، والعوامل الأخرى، جزءًا حيويًا مركزيًا من الأبحاث في منهجيات الكيمياء العضوية، والتي يُتوقع من نماذج اللغة الضخمة (Large Language Models) دعمها بشكل متزايد. ومع ذلك، فإن المعايير الكيميائية الحالية تركز غالبًا على تصنيف أنماط التفاعل، أو إعادة تركيب الجزيئات، أو معالجة الصيغ الكيميائية (SMILES)، دون الطلب من النماذج القراءة من جداول تحسين حقيقية واصطفافها لاختيار المجموعة المثلى.

هنا يأتي دور RxnOptBench، المعيار الجديد الذي يعكس الواقع الفعلي للأبحاث في الكيمياء العضوية. يعتمد هذا المعيار على بيانات حقيقية مأخوذة من جداول تحسين منشورة في عام 2025، حيث يتم تصنيف كل خيار وسابقة بواسطة درجة مستمرة تشير إلى الاستخدام المعلن الذي يجمع بين العائد وفائض الإينانزيم (enantiomeric excess)، ونسبة الديستيريومير (diastereomeric ratio)، ونسبة الريغيوزيمر (regioisomeric ratio).

تم تصميم المعيار بأسلوب يضمن العزل بين استخدام الأدلة الأدبية الحقيقية والحفظ البرامتراتي، مما يمنح الباحثين رؤية دقيقة حول أداء النماذج. بالإضافة إلى ذلك، تم اختبار تسعة نماذج متقدمة من نماذج اللغة الضخمة وثلاثة نماذج متخصصة في الكيمياء، مما كشف عن فجوات كبيرة في الأداء، حيث كانت النماذج المتخصصة في الكيمياء تقترب أحيانًا من مستوى الأداء العشوائي.

لتحسين التجربة، تم إصدار مجموعة اختبارات مراجعة بشرية نهائية وكود تقييم، مما يُعد خطوة حيوية نحو تعزيز كفاءة وفاعلية الأبحاث الكيميائية باستخدام الذكاء الاصطناعي.

ما رأيكم في تطبيقات الذكاء الاصطناعي في الكيمياء؟ شاركونا آرائكم في التعليقات!