Van Wat naar Waarom: Een Multi-Agent Systeem voor Evidence-Based Redeneren over Chemische Reactieomstandigheden

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

September 28, 2025

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

cs.AI

Samenvatting

De aanbeveling van chemische reacties is het selecteren van geschikte reactieconditieparameters voor chemische reacties, wat cruciaal is voor het versnellen van de chemische wetenschap. Met de snelle ontwikkeling van grote taalmodellen (LLM's) is er een groeiende interesse in het benutten van hun redeneer- en planningscapaciteiten voor het aanbevelen van reactiecondities. Ondanks hun succes leggen bestaande methoden zelden de redenering achter de aanbevolen reactiecondities uit, wat hun bruikbaarheid in wetenschappelijke workflows met hoge inzet beperkt. In dit werk stellen we ChemMAS voor, een multi-agent systeem dat het voorspellen van condities herformuleert als een op bewijs gebaseerde redeneertaak. ChemMAS verdeelt de taak in mechanistische onderbouwing, multi-kanaal herinnering, beperkingsbewuste agentische discussie en redeneringsaggregatie. Elke beslissing wordt ondersteund door interpreteerbare rechtvaardigingen die zijn gebaseerd op chemische kennis en opgehaalde precedenten. Experimenten tonen aan dat ChemMAS 20-35% winst behaalt ten opzichte van domeinspecifieke referentiemodellen en algemene LLM's met 10-15% overtreft in Top-1 nauwkeurigheid, terwijl het falsifieerbare, mens-vertrouwbare redeneringen biedt. Dit vestigt een nieuw paradigma voor verklaarbare AI in wetenschappelijke ontdekkingen.

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.