Elsevier Tích Hợp Mô Hình Thị Giác Hóa Học của LG AI Research Vào Reaxys

Elsevier và LG AI Research đã công bố vào ngày 15 tháng 9, 2026 rằng công nghệ thị giác AI chuyên biệt cho hoá học do LG AI Research phát triển hiện đang được sử dụng trong quy trình trích xuất và biên tập nội dung của Elsevier cho Reaxys, giải pháp khám phá hoá học của Elsevier, giúp các chất chỉ xuất hiện dưới dạng hình ảnh, bản vẽ và sơ đồ phản ứng trong bằng sáng chế và tài liệu khoa học có thể tìm kiếm được.

Các công ty cho biết thông tin về các chất từ hình ảnh trong nội dung bằng sáng chế và tạp chí được thu thập nhanh hơn, chính xác hơn và ở quy mô lớn hơn so với trước đây. Công việc này nâng cao khả năng trích xuất nội dung và biên tập khoa học của Elsevier về các chất, phản ứng, hoạt tính sinh học, mục tiêu sinh học và thuộc tính của chất cho Reaxys.

Tại Sao Hoá Học Dựa Trên Hình Ảnh Khó Được Tìm Kiếm

Theo thông báo, phần lớn thông tin về chất và phản ứng mà các nhà hoá học dựa vào được truyền đạt qua các hình, bản vẽ và sơ đồ phản ứng thay vì văn bản có thể tìm kiếm. Khi hoá học đó không thể tìm kiếm được, các nhà nghiên cứu có thể phải kiểm tra tài liệu bằng tay để xác nhận liệu một hợp chất hoặc phản ứng đã được mô tả chưa. Các bản vẽ hoá học mã hoá ý nghĩa thông qua các liên kết, nguyên tử, định cấu trúc không gian và mối quan hệ vị trí, vì vậy một mô hình đọc sai một liên kết có thể xác định sai hợp chất, trong khi một mô hình bỏ sót một cấu trúc sẽ để lại cho các nhà hoá học một bức tranh không đầy đủ. Thách thức này đặc biệt nghiêm trọng trong các lĩnh vực như tìm kiếm tính mới, thu thập thông tin cạnh tranh và lập kế hoạch tổng hợp, cũng như trong hoá học vô cơ và hữu cơ kim loại, nơi các cấu trúc phức tạp khó được trích xuất và lập chỉ mục.

Mô Hình MolMole và Các Thước Đo Được Báo Cáo

Công nghệ kết hợp phát hiện phân tử, phân tích sơ đồ phản ứng và nhận dạng cấu trúc hoá học quang học (OCSR) trong một mô hình duy nhất, và các báo cáo thước đo do LG AI Research công bố cho thấy nó vượt trội hơn các giải pháp thay thế trong việc trích xuất hoá học từ một trang tài liệu đầy đủ. Một bài đăng ngày 7 tháng 5, 2025 trên blog nghiên cứu của LG AI Research xác định mô hình này là MolMole, được phát triển trong chương trình Deep Document Understanding của nhóm, nhằm xây dựng AI có khả năng giải thích văn bản, đồ thị và bảng trong các tài liệu chung cũng như công thức cấu trúc phân tử và công thức phản ứng trong các bài báo và bằng sáng chế hoá học.

Theo bài đăng trên blog, MolMole nhận toàn bộ tài liệu PDF làm đầu vào thay vì yêu cầu các hình ảnh đã cắt, và trả về dữ liệu hoá học đã được nhận dạng từ tài liệu ngay lập tức. Mô hình bao gồm ba mô-đun. ViDetect phát hiện các vùng cấu trúc phân tử trong các trang PDF và đánh dấu chúng bằng các hộp bao quanh. ViReact xác định vị trí của các chất phản ứng, điều kiện phản ứng và sản phẩm trong các sơ đồ phản ứng và phân loại mỗi vùng. ViMore chuyển đổi các cấu trúc đã nhận dạng thành các biểu diễn hoá học tiêu chuẩn bao gồm định dạng SMILES, InChI và Mol, với các kỹ thuật chuyên biệt cho các trang bằng sáng chế được quét có nhiễu.

LG AI Research báo cáo rằng ViMore đạt kết quả tiên tiến nhất trên ba trong số bốn tiêu chuẩn OCSR (CLEF, JPO, UOB và USPTO), vượt trội hơn DECIMER Image Transformer, MolScribe và MolGrapher, và đặc biệt vượt trội hơn các mô hình khác trên JPO, một bộ dữ liệu hình ảnh đầy thách thức, chủ yếu có độ phân giải thấp, được trích xuất từ các bằng sáng chế Nhật Bản. Trong tiêu chuẩn riêng của LG, đánh giá 300 trang bằng sáng chế và 250 trang bài báo riêng biệt để phản ánh các đặc điểm khác nhau, quy trình kết hợp ViDetect và ViMore đã vượt trội hơn Decimer Segmentation và Image Transformer và MolDetect và MolScribe về độ chính xác và độ thu hồi, và ViReact đã vượt trội hơn ReactionDataExtractor2.0 và RxnScribe.

bài báo gốc, được đăng lên arXiv lần đầu được nộp vào ngày 30 tháng 4, 2025 và được chỉnh sửa vào ngày 8 tháng 5, 2025. Nó mô tả MolMole như một khung học sâu dựa trên thị giác, thống nhất phát hiện phân tử, phân tích sơ đồ phản ứng và OCSR thành một quy trình duy nhất để trích xuất dữ liệu hoá học trực tiếp từ các tài liệu ở mức trang. Khi chỉ ra thiếu hụt tiêu chuẩn đánh giá và thước đo ở mức trang, các tác giả cũng trình bày một bộ kiểm tra 550 trang được chú thích với các hộp bao quanh phân tử, nhãn phản ứng và tệp MOL, cùng với một thước đo đánh giá mới, và báo cáo rằng MolMole vượt trội hơn các bộ công cụ hiện có trên cả tiêu chuẩn của họ và các bộ dữ liệu công cộng.

Theo thông báo, trong quy trình làm việc của Elsevier, mỗi quy trình trích xuất được xác thực dựa trên các tiêu chuẩn Reaxys hiện có trước khi đưa vào hoạt động, và toàn bộ quy trình đã trải qua giai đoạn thử nghiệm trên dữ liệu và công cụ quy trình của Elsevier trước khi được sử dụng rộng rãi.

Tuyên Bố Cấp Điều Hành và Giai Đoạn Tiếp Theo

Mirit Eldor, Giám Đốc Điều Hành, Life Sciences tại Elsevier, cho biết sự hợp tác này giúp các nhà hoá học tiết kiệm thời gian bằng cách chuyển nhiều hoá học hơn ra khỏi các hình ảnh và đưa vào Reaxys như bằng chứng được biên tập, có thể tìm kiếm. “Một cấu trúc ẩn trong hình ảnh nên là bằng chứng chứ không phải một lối cụt,” bà nói.

Hwayoung Edward Lee, trưởng Bộ Phận Chuyển Đổi Kinh Doanh AI tại LG AI Research, cho biết mô hình được thiết kế để giải mã các biểu diễn hoá học hình ảnh phức tạp, trong đó mỗi liên kết và bố cục không gian đều mang ý nghĩa, và việc tích hợp với Elsevier chuyển đổi dữ liệu hình ảnh thô thành kiến thức có cấu trúc cho các nhà nghiên cứu.

Các tổ chức cho biết trích xuất phản ứng là giai đoạn tiếp theo của sự hợp tác, mở rộng việc trích xuất dựa trên hình ảnh vượt ra ngoài các chất riêng lẻ để mở rộng bằng chứng phản ứng có sẵn qua Reaxys. Họ cũng đang khám phá các thách thức khách hàng bổ sung để cùng giải quyết, kết hợp khả năng AI chuyên môn của LG AI Research với nội dung hoá học, chuyên môn khoa học và công tác biên tập của Elsevier. Công việc này tuân theo Nguyên tắc AI Có Trách Nhiệm và Nguyên tắc Bảo mật của Elsevier, các công ty cho biết.