EvoMD-LLM：学习反应性分子动力学中的物种演化语言

尽管大语言模型（LLM）擅长静态科学推理，却难以对动态物理过程的时间结构建模。我们提出EvoMD-LLM（Evolutionary Molecular Dynamics Large Language Model），一个将物种级分子动力学重新表述为符号化时间语言建模问题的框架。反应性MD轨迹被离散化为分子事件序列，每个token表示一个化学物种并附加其持续时长，使标准自回归LLM能够通过高效微调学习随时间的组合演化。EvoMD-LLM的一个关键组件是时间脚手架（temporal scaffolding），它将事件时长视为显式语言token并充当结构化归纳偏置，与常规序列建模方法相比显著减少无效或幻觉的分子输出。我们在多个时间预测任务上评估EvoMD-LLM，最高达到66.14%的准确率，并持续优于序列神经网络与基于语言的基线。除定量提升外，我们还定性观察到，模型能够结合相关化学知识为自己的预测生成解释，即便它并未在成对的轨迹-解释数据上接受过显式监督。这些结果表明，符号化时间语言建模为将LLM落地到动态物理模拟提供了有效框架。