OLEDLM：OLED 分子设计的统一语言模型

有机发光二极管（OLED）材料的开发面临着巨大的化学空间、严格的量子化学约束和标记数据稀缺的复合挑战。尽管 OLED 生成问题很重要，但针对这一特定领域进行有效训练的模型却很少。我们提出了一种基于因果语言模型的逆向分子设计框架：给定目标光电特性（例如激发能、振荡器强度），我们的模型直接生成满足指定约束的OLED SMILES序列。我们采用多阶段策略：首先，我们使用 LLaMA 风格的 Transformer 架构建立基础化学语言模型。据我们所知，这代表了 LLM 首次成功适应 OLED 领域，弥合了通用分子生成与光电材料严格结构要求之间的差距。其次，我们根据在大规模 OLED 数据集上预先训练的 BERT 模型来微调属性预测器。然后，我们利用我们的属性预测器对微调模型进行强化学习，以生成更好的微笑。最后，通过 DFT 验证，我们证明我们的框架可以有效地导航 OLED 化学空间，生成具有高结构有效性和优化光电特性的新型候选物。