본 논문은 기존의 분자 최적화 방법들의 단일 또는 이중 속성 최적화 제한 및 확장성 및 일반화능 저하 문제를 해결하기 위해, 대규모 언어 모델(LLM)을 활용한 새로운 접근법을 제시합니다. 연구팀은 다중 속성 분자 최적화 작업에 특화된 고품질 instruction-tuning 데이터셋인 MuMOInstruct를 구축하고, 이를 활용하여 instruction-tuning된 분자 최적화용 LLM인 GeLLMOs를 개발했습니다. 5가지 도메인 내 및 5가지 도메인 외 작업에 대한 광범위한 평가 결과, GeLLMOs는 기존 최첨단 기법들을 능가하는 성능을 보였으며, 특히 zero-shot 일반화 능력이 뛰어나다는 것을 확인했습니다. 이는 GeLLMOs가 자원 집약적인 재훈련 없이 새로운 최적화 작업에 적용될 수 있는 기반 모델로서의 잠재력을 보여줍니다. MuMOInstruct, 모델, 코드는 GitHub에서 공개됩니다.
