Исследование представляет PG-MLD — новый подход к обучению молекулярных представлений для дизайна лекарств, сочетающий физическое 3D-моделирование с языковыми моделями на основе SMILES. Метод использует динамический 3D-учитель с эквивариантным геометрическим кодированием и Liquid Time-Constant моделированием для захвата 3D-геометрии, электронных дескрипторов и конформационной эволюции молекул. Полученные знания дистиллируются в SMILES-ориентированные студенческие модели через выравнивание представлений на уровне атомов и молекул с кросс-модальным контрастивным обучением. Эксперименты на бенчмарке MoleculeNet показали улучшение предсказания свойств молекул для трёх архитектур языковых моделей при сохранении инференса только на SMILES без генерации конформеров. Подход эффективно передаёт знания о 3D-геометрии и конформационной динамике в лёгкие модели, снижая вычислительные затраты. Это значимо для фармацевтической разработки, позволяя ускорить скрининг соединений и предсказание свойств лекарств без ресурсоёмкого молекулярного моделирования.