В статье, опубликованной в журнале Nature Machine Intelligence 28 августа 2026 года, представлен новый метод обучения больших языковых моделей (LLM) для задач молекулярного дизайна с учетом неопределенности данных. Авторы, группа исследователей под руководством Rankovic, разработали подход, который позволяет моделям не только генерировать перспективные молекулярные структуры, но и оценивать степень уверенности в своих предсказаниях. Это критически важно для экспериментальной верификации, так как позволяет исследователям сосредоточить ресурсы на наиболее надежных кандидатах. Метод включает калибровку неопределенности в процессе обучения, что повышает точность отбора молекул для синтеза и тестирования. Работа демонстрирует значительный прогресс в применении LLM в химии и фармацевтике, сокращая разрыв между вычислительными предсказаниями и реальными экспериментами. Результаты показывают, что калиброванные модели превосходят стандартные LLM по эффективности поиска новых соединений, что может ускорить разработку лекарств и материалов. Статья подчеркивает важность учета неопределенности в ИИ-системах для научных открытий.