近日，晶泰科技（2228.HK）在GitHub正式开源化学反应产率定量AI模型 lcms2yield ，同步开放模型权重、推理代码及训练、评测数据集，面向全球科研社区提供可复现、可调用、可扩展的AI化学分析工具。
该模型基于Graph Transformer + KAN架构，通过2.2万余个分子的量子化学数据预训练、真实实验数据微调，实现从分子结构到紫外光谱校正因子的快速预测。
在178组真实化学反应验证中，产率定量平均绝对误差约为4.7个百分点，预测速度较传统量子化学计算提升10⁵—10⁶倍。
相关研究成果已发表于国际化学期刊《JACS Au》，并已应用于晶泰科技的机器人高通量实验平台。
从分子结构到定量结果
AI突破实验分析瓶颈
随着AI与机器人技术推动化学实验迈向高通量、自动化，实验结果的准确、快速定量正成为影响研发效率的重要环节。
传统反应产率定量通常需要分离纯化产物、制备标准品并建立校准曲线，难以匹配机器人实验室大规模、连续运行的节奏。
针对这一挑战，晶泰科技开发了基于AI的全光谱紫外校正因子预测模型。
研究人员只需输入分子的SMILES化学结构，模型即可预测其紫外校正因子，再结合LC-UV实验检测数据计算产物浓度及反应产率，减少对目标产物纯品标准品的依赖。
这一方法将部分传统实验校准环节转化为AI推理任务，使复杂化学参数的预测从高成本计算缩短至毫秒级，为高通量实验提供更高效的定量分析能力。
预训练+实验微调
真实反应验证模型性能
模型采用Graph Transformer与Kolmogorov-Arnold Network（KAN）相结合的架构，通过两阶段训练提升预测能力。
预训练阶段，利用22,609个化合物的量子化学计算数据，学习分子结构与紫外检测响应之间的关系。
微调阶段，引入1,845个化合物的真实实验校正因子数据，使模型进一步适配实际实验条件，缩小理论计算与真实测量之间的差异。
在模型评测（Benchmark）中，研究团队使用144个FDA已批准药物分子进行独立测试，并在178组真实化学反应中验证产率定量能力。
结果显示，与传统校准曲线法相比，AI定量方法的平均绝对误差为4.74个百分点。同时，模型预测速度较传统量子化学计算提升约10⁵—10⁶倍，实现毫秒级推理。
模型、代码、数据开放
让科研AI能力可复用、可扩展
此次开源，晶泰科技在GitHub仓库 lcms2yield 中公开了模型权重、Python推理代码、预训练与微调数据，以及独立测试和真实反应验证数据。
开发者可以直接调用模型进行紫外校正因子预测，也可以基于公开数据评估模型性能、开展算法改进，并探索在不同化学分析场景中的应用。
目前，该技术已接入晶泰科技机器人高通量实验流程，实现AI模型与实验检测数据的衔接，支持反应结果定量分析及后续实验决策。
从计算数据预训练、真实实验微调，到实验验证与实际部署，lcms2yield 展示了Scientific AI与Physical AI结合的一条技术路径。
此次开源也意味着，经过真实实验验证的AI能力，可以进一步成为全球科研社区共享、复用和持续改进的技术基础。
未来，晶泰科技将持续推动AI模型、科学数据与自动化实验的深度融合，开放更多经过真实实验验证的技术成果，与全球开发者和科研人员共同拓展AI for Science的应用边界。
（点击原文链接即可查阅）
热门跟贴