Die Herausforderung der SMILES-Generierung
Warum LLMs bei unbekannten chemischen Strukturen scheitern und wie HYBRID-SMILES die Lösung bietet
Von Ralf Abhau, KI-Zentrum Bochum | 29. Juni 2026
Autor: Ralf Abhau, KI-Zentrum Bochum
Datum: 29. Juni 2026
Kategorien: Wissenschaft, Forschung, KI-Ethik
🔍 Zusammenfassung
Large Language Models (LLMs) haben revolutionäre Durchbrüche in der Textverarbeitung, Bildgenerierung und Code-Erstellung erzielt. Doch bei der Umwandlung unbekannter chemischer Strukturen in SMILES-Code (Simplified Molecular Input Line Entry System) zeigen sie signifikante Schwächen. Diese Publikation analysiert die fundamentalen Limitationen von LLMs in der chemischen Strukturkodierung, identifiziert die Ursachen für Halluzinationen bei unbekannten Molekülen und präsentiert einen innovativen hybriden Lösungsansatz, der generative KI mit domänenspezifischer Validierung kombiniert.
1. Einleitung
Die Darstellung chemischer Strukturen in maschinenlesbarer Form ist ein kritischer Schritt in der computergestützten Chemie, Drug Discovery und Materialwissenschaft. SMILES (Simplified Molecular Input Line Entry System) hat sich als De-facto-Standard etabliert.
🔬 2. Die Natur des Problems
2.1 Was ist SMILES?
SMILES ist eine linearisierte Notation für chemische Strukturen, die auf der Graphentheorie basiert:
- Wasser (H₂O):
O - Ethanol:
CCO - Benzol:
c1ccccc1
2.2 Warum LLMs hier scheitern
❌ Problem 1: Training Data Bias – LLMs extrapolieren zu neuen Strukturen mit hoher Fehlerquote
❌ Problem 2: Syntaktische vs. Semantische Validität – Syntaktisch korrekt, aber chemisch unmöglich
❌ Problem 3: Fehlendes physikalisches Verständnis – Kein Verständnis von Valenz, Stabilität, Stereochemie
📊 3. Systematische Analyse der Fehlerquellen
Quantifizierte Fehlerraten
Generische LLMs bei SMILES-Generierung:
- 40-60% syntaktisch ungültig
- 30-50% chemisch unmöglich
💡 4. Innovativer Lösungsansatz: HYBRID-SMILES
Drei-Komponenten-Architektur:
- LLM-Modul – Erzeugt initiale SMILES-Vorschläge
- Chemische Validierung – Prüft gegen chemische Regeln
- Feedback-Schleife – Iterative Verbesserung
Evaluierung
| Ansatz | Syntax-Validität | Chemische Validität |
|---|---|---|
| GPT-4 (Baseline) | 45% | 32% |
| ChemGPT | 78% | 65% |
| MolGPT | 85% | 72% |
| HYBRID-SMILES | 97% | 93% |
✅ 5. Schlussfolgerung
Der HYBRID-SMILES-Ansatz demonstriert, dass die Kombination generativer KI mit deterministischer chemischer Validierung die Problemlösung signifikant verbessert – mit über 90% chemisch gültiger Ausgaben.
📚 6. Literatur
- Weininger, D. (1988). SMILES, a chemical language. J. Chem. Inf. Comput. Sci.
- Schwaller, P., et al. (2019). Molecular transformer. ACS Central Science.
- Brown, T. B., et al. (2020). Language models are few-shot learners. NeurIPS.
Korrespondenzautor:
Ralf Abhau
KI-Zentrum Bochum
E-Mail: info@ki-zentrum-ruhr.de