Da "Cosa" a "Perché": Un Sistema Multi-Agente per il Ragionamento Basato su Evidenze sulle Condizioni delle Reazioni Chimiche

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

September 28, 2025

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

cs.AI

Abstract

La raccomandazione delle condizioni di reazione chimica consiste nella selezione di parametri appropriati per le reazioni chimiche, un aspetto cruciale per accelerare il progresso della scienza chimica. Con il rapido sviluppo dei modelli linguistici di grandi dimensioni (LLM), cresce l'interesse nel sfruttare le loro capacità di ragionamento e pianificazione per la raccomandazione delle condizioni di reazione. Nonostante i loro successi, i metodi esistenti raramente spiegano il ragionamento alla base delle condizioni di reazione raccomandate, limitando la loro utilità nei flussi di lavoro scientifici ad alto rischio. In questo lavoro, proponiamo ChemMAS, un sistema multi-agente che riformula la previsione delle condizioni come un compito di ragionamento basato su evidenze. ChemMAS scompone il compito in ancoraggio meccanicistico, richiamo multi-canale, dibattito agentico consapevole dei vincoli e aggregazione delle motivazioni. Ogni decisione è supportata da giustificazioni interpretabili basate su conoscenze chimiche e precedenti recuperati. Gli esperimenti dimostrano che ChemMAS ottiene miglioramenti del 20-35% rispetto ai benchmark specifici del dominio e supera i LLM generici del 10-15% in termini di accuratezza Top-1, offrendo al contempo motivazioni falsificabili e affidabili per gli esseri umani, stabilendo così un nuovo paradigma per l'AI spiegabile nella scoperta scientifica.

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.