От "Что" к "Почему": Многоагентная система для обоснования условий химических реакций на основе доказательств

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

September 28, 2025

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

cs.AI

Аннотация

Рекомендация химических реакций заключается в подборе подходящих параметров условий для проведения химических реакций, что имеет ключевое значение для ускорения развития химической науки. С быстрым развитием крупных языковых моделей (LLM) растет интерес к использованию их способностей к рассуждению и планированию для рекомендации условий реакций. Несмотря на их успехи, существующие методы редко объясняют обоснование рекомендуемых условий реакций, что ограничивает их полезность в высокоответственных научных процессах. В данной работе мы предлагаем ChemMAS, мультиагентную систему, которая переосмысливает прогнозирование условий как задачу, основанную на доказательствах. ChemMAS разбивает задачу на механистическое обоснование, многоканальное воспроизведение, дебаты агентов с учетом ограничений и агрегацию обоснований. Каждое решение подкрепляется интерпретируемыми аргументами, основанными на химических знаниях и извлеченных прецедентах. Эксперименты показывают, что ChemMAS достигает улучшения на 20-35% по сравнению с узкоспециализированными базовыми методами и превосходит универсальные LLM на 10-15% по точности Top-1, предлагая при этом фальсифицируемые, понятные человеку обоснования, что устанавливает новую парадигму объяснимого ИИ в научных открытиях.

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.