研究の要点はこうです。化学反応の集まりを「入力濃度」に応じて特定の定常状態の濃度に変換するように逆設計し、どの物理的要因が化学的な計算の表現力（どんな入出力関係を実現できるか）を決めるかを調べました。重要なのは、学習させたネットワークが熱力学的に一貫している点です。つまりエネルギーや平衡の原理を守ったまま計算が行われます。⁠

研究者たちは高分子の結合と切断（リガーション＝結合、クリーブ＝切断）を基本にした「重合ネットワーク」を扱いました。単位の種類（アルファベットの大きさ）と最大長さを決めると、そこから作れるすべての配列と、それらの間の結合・切断反応がネットワークとして生成されます。系は連続撹拌槽（CSTR、外部からモノマーが流入し、全体が希釈される仕組み）で動かし、外部のモノマー濃度を入力として受け取ります。論文は、例えば「ab3」では表現できない入出力関係を「ab4」ではほぼ完全に近い形で再現できた例を示しています。⁠

学習（逆設計）は反応速度定数を直接調整するのではなく、物理的に意味のあるエネルギー項で行いました。具体的には標準化学ポテンシャル（物質の基準エネルギー）、遷移状態エネルギー（反応の障壁）、そして熱力学的ドライブ（系に与えるエネルギー的偏り）の三種類です。これらを変えることで、反応の前後比や活性化障壁が変わり、定常状態の応答が変わります。訓練には暗黙微分（implicit differentiation）を使い、目標関数との平均二乗誤差を最小にするようにパラメータを更新しました。こうすることで学習後のネットワークは必ず熱力学的に一貫したものになります。⁠

主な発見は二つあります。第一に、ネットワークのサイズを大きくすると、より複雑で非単調な多項式の入出力関係を再現できるようになり、その「表現力」はネットワークサイズに対して概ね対数的に増える、ということです。増加を最もよく説明するのは反応の数でした。第二に、どのエネルギー因子が学習で重要かを個別に調べると、内部の熱力学的ドライブ、つまり系に一方向のエネルギー供給があることで平衡（詳細釣り合い）を破る能力が、単独で最も表現力を増やすことが分かりました。ほかのパラメータだけで同等になるのは、二種類のパラメータを組み合わせた場合に限られました。⁠

この研究が意味するところは二つあります。一つは、化学系でどんな計算が可能かを物理法則に基づいて定量的に探る方法を示した点です。これにより、合成回路や分子プログラミングで実際にどの程度の入出力関係が作れるかを評価しやすくなります。もう一つは、非平衡（外部からの持続的なエネルギー供給）が化学的計算の重要な資源であることを示した点です。⁠

ただし注意点もあります。本研究は計算による逆設計の結果です。熱力学的に実行可能なパラメータ空間での設計にはなっていますが、実験室でこれらのエネルギー項を正確に制御して同じ応答を再現することは別問題です。また、表現力の増加は対数的であり、非常に複雑な応答を得るにはネットワークを大きくする必要があります。さらに、ここで扱ったのは結合・切断に特徴づけられる重合トポロジーに基づくネットワークです。他の種類の化学ネットワークに結果がそのまま当てはまるかは、追加の検証が必要です。