Do Porquê ao Porquê: Um Sistema Multiagente para Raciocínio Baseado em Evidências sobre Condições de Reação 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

Resumo

A recomendação de reações químicas consiste em selecionar parâmetros adequados para as condições de reação, o que é fundamental para acelerar o avanço da ciência química. Com o rápido desenvolvimento de modelos de linguagem de grande escala (LLMs), há um interesse crescente em aproveitar suas capacidades de raciocínio e planejamento para a recomendação de condições de reação. Apesar de seu sucesso, os métodos existentes raramente explicam o raciocínio por trás das condições de reação recomendadas, limitando sua utilidade em fluxos de trabalho científicos de alto impacto. Neste trabalho, propomos o ChemMAS, um sistema multiagente que reformula a previsão de condições como uma tarefa de raciocínio baseada em evidências. O ChemMAS decompõe a tarefa em fundamentação mecanística, recuperação multicanal, debate agentivo com consciência de restrições e agregação de racionalizações. Cada decisão é respaldada por justificativas interpretáveis, fundamentadas em conhecimento químico e precedentes recuperados. Experimentos mostram que o ChemMAS alcança ganhos de 20-35% em relação a baselines específicos do domínio e supera LLMs de propósito geral em 10-15% na precisão Top-1, ao mesmo tempo que oferece racionalizações falseáveis e confiáveis para humanos, estabelecendo um novo paradigma para IA explicável na descoberta científica.

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.