حظيت نماذج اللغات الكبيرة (Large Language Models) بمكانة بارزة في مجال الكيمياء الجزيئية بفضل إنجازاتها المتقدمة في مهام الفهم والتوليد الجزيئي. ورغم هذه الفوائد، إلا أن العديد من هذه النماذج تعاني من نقص في التأسيس الهيكلي، حيث أن النجاح في المهام النهائية لا يعني بالضرورة القدرة على التعرف على التركيب الجزيئي بدقة.

في ظل هذا التحدي، تم اقتراح إطار MolBasic، الذي يركز على مفهوم "الهيكل أولًا" لتعزيز الفهم الهيكلي للجزيئات. يعتمد الإطار على تحويل SMILES، وهو نظام تعبيري لتمثيل الهياكل الجزيئية، إلى رسوم بيانية لتوفير أساس قوي يمكن النموذج من التعرف على التمثيلات التتابعية والتوبولوجية بشكل متوازن.

يعمل MolBasic من خلال ركيزة أساسية تتمثل في تحويل ثنائي الاتجاه بين SMILES والرسوم البيانية. بالإضافة إلى ذلك، تم تطوير نمط تعلم تدريجي عبر سلسلة التفكير (Chain-of-Thought) المعايير، وهو ما يساعد النماذج في الانتقال من اكتساب الهيكل إلى التفكير الجزيئي على مستويات أعلى.

تظهر النتائج التجريبية أن MolBasic يحقق تحسينات ملحوظة في الفهم الهيكلي، بالإضافة إلى تحقيق مكاسب قوية على المهام النهائية مثل توقع الخصائص وتحسين الأهداف. يدعم هذا الإطار المبتكر فكرة تركيز الجهود على البنية الأساسية، مما يجعل من MolBasic خطوة هامة نحو تحقيق تفوق أكبر في تطبيقات الذكاء الاصطناعي في الكيمياء.