近期，晶泰科技联合麦吉尔大学、哈佛大学、UCLA 等高校研究团队，针对 AI 自主实验如何提升优质反应条件筛选命中率这一核心痛点，研究团队提出 CARE（Context‑Aware Ranking Evolution）多专家协同框架。
该框架面向高通量实验（HTE）的下一轮实验条件推荐，融合多专家模型、大语言模型与证据审计机制协同决策，通过多重评估约束，优先筛选出最具备验证价值的实验条件。
多项真实反应优化任务与公开基准测试显示，CARE 取得当前最优整体表现。
从反复试错, 到更早找到优异条件
化学实验是药物发现中的关键环节。想找到更优的反应条件，本质上是在催化剂、配体、溶剂、温度等多种变量组成的搜索空间中不断做选择。
过去，这一过程更多依赖化学家的经验判断和反复湿实验验证：路线是否合理、条件是否合适、合成结果是否达到预期，都会直接影响后续研发效率和最终结果。AI 的出现，为这一过程带来了新的可能——它可以基于已有实验数据快速筛选候选条件，并辅助判断下一轮实验优先尝试什么，从而减少低效试错。
从更多候选，到更优选择
大语言模型可依托基座模型沉淀的化学知识，跳出已有实验数据生成全新候选条件，拓展反应搜索空间。但在庞大的反应体系中，候选数量越多，从中筛选出优异条件的难度反而越大。实验效率的核心，在于从海量候选中甄别高潜力方向，将有限的实验机会留给更具验证价值的方向。
为解决这一行业难题，CARE 框架构建了大语言模型与多专家模型的协同流程，覆盖候选条件的生成与评估全环节。其中大语言模型基于化学知识输出新的探索方向以拓展搜索空间，候选集随后通过优化模型与约束机制进行过滤，最终的实验准入决策受到算法逻辑与证据体系的双重约束。由此显著提高下一轮 HTE 推荐的命中率，在少数几轮实验内快速收敛到最优条件组合。
为降低模型幻觉直接干预真实实验的风险，CARE 设置了 Public-Evidence Intervention Gate（证据门槛）。当大模型提出与其他专家模型不同的候选条件时，只有获得足够的专家模型支持并通过证据审查，才允许其影响最终实验决策。
在有限的实验预算里更早逼近最优解
为进一步验证 CARE 的效果，研究团队选取了 8 项反应条件优化任务，涵盖 Suzuki 偶联、酰胺偶联、Buchwald–Hartwig 胺化、直接芳基化等常见反应类型。
每项任务从 5 个已知实验结果出发，随后仅进行 10 次新的条件选择。候选条件的真实结果在被选中前均不向算法公开，以模拟真实实验中 “先决策、后验证” 的过程。研究团队通过多组初始条件重复测试，并与 qLogEI、EDBO、Gryffin、TPE、LMABO 等主流优化方法进行比较。
以 Buchwald–Hartwig A 任务为例，经过 10 次自适应选择，CARE 的Normalized regret（与已知最优结果之间的差距）降至 1.24%，30 组测试中有 27 组命中排名前 1% 的反应条件。在拥有超过 1.1 万个候选条件的 ChemLex 任务中，其 Normalized regret 为 7.9%。
整体来看，CARE 在 8 项任务的三项核心指标上均取得参评方法中的最佳表现：最终找到的条件更接近已知最优解，也能在更少的实验轮次中找到优异反应条件，并获得更高的前 1% 条件命中率。
目前，这一策略已经成功结合到晶泰科技的 Agentic HTE 中。Agentic HTE 是一种专为化学反应条件优化开发的多智能体系统，能够在高通量实验场景下实现更高效的条件筛选与自主优化，为化学合成、新药研发和新材料发现提供新的自动化智能工具。
真实实验验证，是科学智能走向规模应用的基石。
在试剂昂贵、反应多变的现实研发环境中，AI 自主实验不仅需要天马行空的探索力，更需要经得起物理世界检验的确定性与高命中率。
立足于成熟的 “计算设计——智能决策——自动化合成——实验反馈” 技术体系，晶泰科技将持续推动 AI 与物理实验的深度闭环，加速前沿生物医药等科学场景的创新突破。
