Elsevier ने LG AI Research के रसायन विज्ञान विज़न मॉडल को Reaxys में एकीकृत किया

Elsevier और LG AI Research ने घोषित किया 15 सितंबर, 2026 को कि LG AI Research द्वारा विकसित रसायन विज्ञान-विशिष्ट AI विज़न तकनीक अब Elsevier की सामग्री निष्कर्षण और क्यूरेशन प्रक्रियाओं में Reaxys, Elsevier के खोज रसायन विज्ञान समाधान, के लिए उपयोग की जा रही है, जिससे पेटेंट और वैज्ञानिक साहित्य में केवल छवियों, चित्रों और प्रतिक्रिया योजनाओं के रूप में दिखाई देने वाली पदार्थों को खोज योग्य बनाया जा सके।

कंपनियों ने कहा कि पेटेंट और जर्नल सामग्री में छवियों से प्राप्त पदार्थ जानकारी पहले की तुलना में अधिक तेज़, सटीक और बड़े पैमाने पर कैप्चर की जा रही है। यह कार्य Elsevier की सामग्री निष्कर्षण और वैज्ञानिक क्यूरेशन को Reaxys के लिए पदार्थों, प्रतिक्रियाओं, जैविक सक्रियताओं, जैविक लक्ष्यों और पदार्थ गुणों के संदर्भ में सुधारता है।

छवि-आधारित रसायन विज्ञान को खोज पाना क्यों कठिन है

घोषणा के अनुसार, रसायनविदों द्वारा निर्भर की जाने वाली अधिकांश पदार्थ और प्रतिक्रिया जानकारी चित्रों, ड्रॉइंग्स और प्रतिक्रिया योजनाओं के माध्यम से संप्रेषित होती है, न कि खोज योग्य पाठ के रूप में। जब यह रसायन विज्ञान खोज योग्य नहीं होता, तो शोधकर्ता दस्तावेज़ों को हाथ से जांचते हुए यह पुष्टि करने में फँस सकते हैं कि कोई यौगिक या प्रतिक्रिया पहले ही वर्णित है या नहीं। रासायनिक चित्र बंधों, परमाणुओं, स्टीरियोकेमिस्ट्री और स्थानिक संबंधों के माध्यम से अर्थ व्यक्त करते हैं, इसलिए यदि कोई मॉडल बंध को गलत पढ़ता है तो वह गलत यौगिक की पहचान कर सकता है, जबकि यदि कोई मॉडल संरचना को मिस करता है तो रसायनविदों को अधूरी तस्वीर मिलती है। यह चुनौती विशेष रूप से नवीनता खोज, प्रतिस्पर्धी बुद्धिमत्ता और संश्लेषण योजना जैसे क्षेत्रों में, तथा अकार्बनिक और कार्बनिक-धातु रसायन विज्ञान में तीव्र होती है, जहाँ जटिल संरचनाओं को निकालना और अनुक्रमित करना कठिन होता है।

MolMole मॉडल और इसके रिपोर्ट किए गए बेंचमार्क

यह तकनीक एक ही मॉडल में अणु पहचान, प्रतिक्रिया-डायग्राम पार्सिंग और ऑप्टिकल रासायनिक संरचना पहचान (OCSR) को संयोजित करती है, और LG AI Research की प्रकाशित बेंचमार्क रिपोर्टें दर्शाती हैं कि यह पूर्ण दस्तावेज़ पृष्ठ से रसायन विज्ञान निकालने में विकल्पों से बेहतर प्रदर्शन करती है। एक 7 मई, 2025 को LG AI Research के रिसर्च ब्लॉग पर पोस्ट मॉडल को MolMole के रूप में पहचानती है, जिसे समूह के Deep Document Understanding program के तहत विकसित किया गया है, जिसका उद्देश्य सामान्य दस्तावेज़ों में पाठ, ग्राफ़ और तालिकाओं के साथ-साथ रासायनिक पत्रों और पेटेंट में अणु संरचनात्मक सूत्रों और प्रतिक्रिया सूत्रों की व्याख्या करने वाली AI बनाना है।

ब्लॉग पोस्ट के अनुसार, MolMole इनपुट के रूप में संपूर्ण PDF दस्तावेज़ लेता है, बजाय कि क्रॉप्ड छवियों की आवश्यकता हो, और एक साथ दस्तावेज़ से पहचाने गए रासायनिक डेटा को वापस देता है। मॉडल तीन मॉड्यूलों से बना है। ViDetect PDF पृष्ठों में अणु संरचना क्षेत्रों का पता लगाता है और उन्हें बाउंडिंग बॉक्स के साथ चिह्नित करता है। ViReact प्रतिक्रिया डायग्राम में अभिकर्मकों, प्रतिक्रिया स्थितियों और उत्पादों की स्थितियों की पहचान करता है और प्रत्येक क्षेत्र को वर्गीकृत करता है। ViMore पहचानी गई संरचनाओं को मानक रासायनिक प्रतिनिधित्व जैसे SMILES, InChI और Mol फ़ॉर्मेट में परिवर्तित करता है, शोरयुक्त, स्कैन-आधारित पेटेंट पृष्ठों के लिए विशेष तकनीकों के साथ।

LG AI Research रिपोर्ट करता है कि ViMore ने चार मानक OCSR बेंचमार्क (CLEF, JPO, UOB और USPTO) में से तीन पर अत्याधुनिक परिणाम हासिल किए, DECIMER Image Transformer, MolScribe और MolGrapher को पीछे छोड़ते हुए, और विशेष रूप से JPO पर अन्य मॉडलों से बेहतर प्रदर्शन किया, जो जापानी पेटेंट दस्तावेज़ों से निकाली गई छवियों का एक चुनौतीपूर्ण, मुख्यतः कम-रिज़ॉल्यूशन डेटासेट है। LG के अपने बेंचमार्क पर, जो 300 पेटेंट पृष्ठों और 250 पेपर पृष्ठों को अलग-अलग उनके विभिन्न विशेषताओं को दर्शाने के लिए मूल्यांकन करता है, संयुक्त ViDetect और ViMore पाइपलाइन ने Decimer Segmentation और Image Transformer तथा MolDetect और MolScribe को प्रिसीजन और रिकॉल दोनों में पीछे छोड़ दिया, और ViReact ने ReactionDataExtractor2.0 और RxnScribe को पीछे छोड़ दिया।

मूल पेपर, arXiv पर पोस्ट किया गया, पहले 30 अप्रैल, 2025 को सबमिट किया गया और 8 मई, 2025 को संशोधित किया गया। यह MolMole को एक विज़न-आधारित डीप लर्निंग फ्रेमवर्क के रूप में वर्णित करता है जो अणु पहचान, प्रतिक्रिया डायग्राम पार्सिंग और OCSR को एक ही पाइपलाइन में एकीकृत करता है, जिससे पेज-लेवल दस्तावेज़ों से सीधे रासायनिक डेटा निकाला जा सके। मानक पेज-लेवल बेंचमार्क और मूल्यांकन मीट्रिक की कमी को उजागर करते हुए, लेखक एक 550-पृष्ठीय परीक्षण सेट प्रस्तुत करते हैं जिसमें अणु बाउंडिंग बॉक्स, प्रतिक्रिया लेबल और MOLfiles एनोटेट किए गए हैं, साथ ही एक नया मूल्यांकन मीट्रिक, और रिपोर्ट करते हैं कि MolMole मौजूदा टूलकिट्स को उनके बेंचमार्क और सार्वजनिक डेटासेट दोनों में पीछे छोड़ता है।

Elsevier के कार्यप्रवाह में, प्रत्येक निष्कर्षण पाइपलाइन को लाइव होने से पहले मौजूदा Reaxys बेंचमार्क के विरुद्ध सत्यापित किया जाता है, और पूर्ण पाइपलाइन ने Elsevier के डेटा और कार्यप्रवाह उपकरणों में एक परीक्षण अवधि पूरी की, व्यापक उपयोग से पहले, जैसा कि घोषणा में कहा गया है।

कार्यकारी बयान और अगले चरण

Elsevier में लाइफ साइंसेज़ की प्रबंध निदेशक मिरिट एल्डोर ने कहा कि यह साझेदारी रसायनविदों को अधिक रसायन विज्ञान को चित्रों से बाहर निकालकर Reaxys में क्यूरेटेड, खोज योग्य प्रमाण के रूप में लाकर समय वापस देती है। उन्होंने कहा, “एक चित्र में दफ़न संरचना को प्रमाण होना चाहिए, न कि एक बंद रास्ता।”

LG AI Research में AI Biz Transformation यूनिट के प्रमुख ह्वायुंग एडवर्ड ली ने कहा कि मॉडल को जटिल दृश्य रासायनिक प्रतिनिधित्व को डिकोड करने के लिए डिज़ाइन किया गया है, जहाँ प्रत्येक बंध और स्थानिक लेआउट का अर्थ होता है, और Elsevier के साथ एकीकरण कच्चे दृश्य डेटा को शोधकर्ताओं के लिए संरचित ज्ञान में परिवर्तित करता है।

संगठनों ने कहा कि प्रतिक्रिया निष्कर्षण सहयोग का अगला चरण है, जो छवि‑आधारित निष्कर्षण को व्यक्तिगत पदार्थों से परे विस्तारित करके Reaxys के माध्यम से उपलब्ध प्रतिक्रिया साक्ष्य को व्यापक बनाता है। वे साथ मिलकर ग्राहक चुनौतियों को और अधिक संबोधित करने की भी खोज कर रहे हैं, जिसमें LG AI Research की विशेषज्ञ AI क्षमताओं को Elsevier की रसायन विज्ञान सामग्री, वैज्ञानिक विशेषज्ञता और क्यूरेशन के साथ जोड़ा जा रहा है। कंपनियों के अनुसार, यह कार्य Elsevier के जिम्मेदार AI सिद्धांतों और गोपनीयता सिद्धांतों का पालन करता है।