Von Was zu Warum: Ein Multi-Agenten-System zur evidenzbasierten Begründung chemischer Reaktionsbedingungen

From What to Why: A Multi-Agent System for Evidence-based Chemical Reaction Condition Reasoning

September 28, 2025

papers.authors: Cheng Yang, Jiaxuan Lu, Haiyuan Wan, Junchi Yu, Feiwei Qin

cs.AI

papers.abstract

Die Empfehlung chemischer Reaktionen besteht darin, geeignete Reaktionsbedingungen für chemische Prozesse auszuwählen, was entscheidend für die Beschleunigung der chemischen Wissenschaft ist. Mit der rasanten Entwicklung großer Sprachmodelle (LLMs) wächst das Interesse daran, deren Fähigkeiten im Bereich des logischen Denkens und der Planung für die Empfehlung von Reaktionsbedingungen zu nutzen. Trotz ihrer Erfolge erklären bestehende Methoden selten die zugrunde liegende Logik der empfohlenen Reaktionsbedingungen, was ihre Nützlichkeit in hochsensiblen wissenschaftlichen Arbeitsabläufen einschränkt. In dieser Arbeit stellen wir ChemMAS vor, ein Multi-Agenten-System, das die Vorhersage von Bedingungen als eine evidenzbasierte Denkaufgabe neu konzipiert. ChemMAS zerlegt die Aufgabe in mechanistische Grundierung, Mehrkanal-Rückruf, einschränkungsbewusste agentenbasierte Diskussion und rationale Aggregation. Jede Entscheidung wird durch interpretierbare Begründungen gestützt, die auf chemischem Wissen und recherchierten Präzedenzfällen basieren. Experimente zeigen, dass ChemMAS eine Steigerung von 20–35 % gegenüber domänenspezifischen Basismodellen erreicht und allgemeine LLMs in der Top-1-Genauigkeit um 10–15 % übertrifft, während es falsifizierbare, für Menschen vertrauenswürdige Begründungen liefert. Dies etabliert ein neues Paradigma für erklärbare KI in der wissenschaftlichen Entdeckung.

English

The chemical reaction recommendation is to select proper reaction condition parameters for chemical reactions, which is pivotal to accelerating chemical science. With the rapid development of large language models (LLMs), there is growing interest in leveraging their reasoning and planning capabilities for reaction condition recommendation. Despite their success, existing methods rarely explain the rationale behind the recommended reaction conditions, limiting their utility in high-stakes scientific workflows. In this work, we propose ChemMAS, a multi-agent system that reframes condition prediction as an evidence-based reasoning task. ChemMAS decomposes the task into mechanistic grounding, multi-channel recall, constraint-aware agentic debate, and rationale aggregation. Each decision is backed by interpretable justifications grounded in chemical knowledge and retrieved precedents. Experiments show that ChemMAS achieves 20-35% gains over domain-specific baselines and outperforms general-purpose LLMs by 10-15% in Top-1 accuracy, while offering falsifiable, human-trustable rationales, which establishes a new paradigm for explainable AI in scientific discovery.