ChemDFM-R: Een chemisch redeneer-LLM versterkt met geatomiseerde chemische kennis

ChemDFM-R: An Chemical Reasoner LLM Enhanced with Atomized Chemical Knowledge

July 29, 2025

Auteurs: Zihan Zhao, Bo Chen, Ziping Wan, Lu Chen, Xuanze Lin, Shiyang Yu, Situo Zhang, Da Ma, Zichen Zhu, Danyang Zhang, Huayang Wang, Zhongyang Dai, Liyang Wen, Xin Chen, Kai Yu

cs.AI

Samenvatting

Hoewel grote taalmodellen (LLMs) indrukwekkende vooruitgang hebben geboekt, wordt hun toepassing in wetenschappelijke domeinen zoals scheikunde nog steeds belemmerd door een oppervlakkig domeinbegrip en beperkte redeneervaardigheden. In dit werk richten we ons op het specifieke vakgebied van scheikunde en ontwikkelen we een Chemical Reasoner LLM, genaamd ChemDFM-R. We construeren eerst een uitgebreide dataset van geatomiseerde kennispunten om het begrip van het model van de fundamentele principes en logische structuur van scheikunde te verbeteren. Vervolgens stellen we een mix-sourced distillatiestrategie voor die door experts samengestelde kennis integreert met algemene redeneervaardigheden, gevolgd door domeinspecifieke reinforcement learning om het chemisch redeneren te versterken. Experimenten op diverse chemische benchmarks tonen aan dat ChemDFM-R state-of-the-art prestaties bereikt terwijl het interpreteerbare, op redenering gebaseerde uitvoer biedt. Verdere casestudies illustreren hoe expliciete redeneerketens de betrouwbaarheid, transparantie en praktische bruikbaarheid van het model aanzienlijk verbeteren in realistische scenario's van mens-AI-samenwerking.

English

While large language models (LLMs) have achieved impressive progress, their application in scientific domains such as chemistry remains hindered by shallow domain understanding and limited reasoning capabilities. In this work, we focus on the specific field of chemistry and develop a Chemical Reasoner LLM, ChemDFM-R. We first construct a comprehensive dataset of atomized knowledge points to enhance the model's understanding of the fundamental principles and logical structure of chemistry. Then, we propose a mix-sourced distillation strategy that integrates expert-curated knowledge with general-domain reasoning skills, followed by domain-specific reinforcement learning to enhance chemical reasoning. Experiments on diverse chemical benchmarks demonstrate that ChemDFM-R achieves state-of-the-art performance while providing interpretable, rationale-driven outputs. Further case studies illustrate how explicit reasoning chains significantly improve the reliability, transparency, and practical utility of the model in real-world human-AI collaboration scenarios.