De quoi à pourquoi : Un système multi-agents pour le raisonnement fondé sur des preuves des conditions de réaction chimique

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

La recommandation de réaction chimique consiste à sélectionner les paramètres appropriés des conditions de réaction, ce qui est essentiel pour accélérer les progrès en chimie. Avec le développement rapide des modèles de langage à grande échelle (LLMs), l'intérêt croît pour exploiter leurs capacités de raisonnement et de planification dans la recommandation des conditions de réaction. Malgré leurs succès, les méthodes existantes expliquent rarement le raisonnement derrière les conditions de réaction recommandées, limitant ainsi leur utilité dans les workflows scientifiques à enjeux élevés. Dans ce travail, nous proposons ChemMAS, un système multi-agents qui reformule la prédiction des conditions comme une tâche de raisonnement basée sur des preuves. ChemMAS décompose la tâche en ancrage mécanistique, rappel multi-canaux, débat agentique tenant compte des contraintes et agrégation des justifications. Chaque décision est soutenue par des justifications interprétables fondées sur des connaissances chimiques et des précédents récupérés. Les expériences montrent que ChemMAS obtient des gains de 20 à 35 % par rapport aux méthodes de référence spécifiques au domaine et surpasse les LLMs à usage général de 10 à 15 % en précision Top-1, tout en fournissant des justifications falsifiables et dignes de confiance pour les humains, établissant ainsi un nouveau paradigme pour l'IA explicable dans la découverte scientifique.

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.