De Qué a Por Qué: Un Sistema Multiagente para el Razonamiento Basado en Evidencias sobre Condiciones de Reacción Química

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

September 28, 2025

Autores: Cheng Yang, Jiaxuan Lu, Haiyuan Wan, Junchi Yu, Feiwei Qin

cs.AI

Resumen

La recomendación de reacciones químicas consiste en seleccionar los parámetros adecuados de las condiciones de reacción, lo cual es fundamental para acelerar el avance de la ciencia química. Con el rápido desarrollo de los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés), existe un creciente interés en aprovechar sus capacidades de razonamiento y planificación para la recomendación de condiciones de reacción. A pesar de sus éxitos, los métodos existentes rara vez explican el razonamiento detrás de las condiciones de reacción recomendadas, lo que limita su utilidad en flujos de trabajo científicos de alto impacto. En este trabajo, proponemos ChemMAS, un sistema multiagente que reformula la predicción de condiciones como una tarea de razonamiento basada en evidencia. ChemMAS descompone la tarea en fundamentación mecanística, recuperación multicanal, debate agente consciente de restricciones y agregación de razonamientos. Cada decisión está respaldada por justificaciones interpretables basadas en conocimiento químico y precedentes recuperados. Los experimentos muestran que ChemMAS logra mejoras del 20-35 % sobre líneas base específicas del dominio y supera a los LLMs de propósito general en un 10-15 % en precisión Top-1, al mismo tiempo que ofrece razonamientos falsificables y confiables para los humanos, estableciendo así un nuevo paradigma para la IA explicable en el descubrimiento científico.

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.