Cheng Yang Jiaxuan Lu Haiyuan Wan Junchi Yu Feiwei Qin

Abstract

Die Empfehlung chemischer Reaktionen besteht darin, geeignete Reaktionsbedingungsparameter für chemische Reaktionen auszuwählen, was entscheidend für die Beschleunigung der chemischen Wissenschaft ist. Mit der rasanten Entwicklung großer Sprachmodelle (Large Language Models, LLMs) wächst das Interesse an der Nutzung ihrer Schlussfolgerungs- und Planungsfähigkeiten zur Empfehlung von Reaktionsbedingungen. Trotz ihrer Erfolge erklären bestehende Methoden selten die zugrundeliegenden Gründe für die empfohlenen Bedingungen, was ihre Anwendung in hochsensiblen wissenschaftlichen Arbeitsabläufen einschränkt. In dieser Arbeit stellen wir ChemMAS vor, ein Multi-Agenten-System, das die Vorhersage von Reaktionsbedingungen als eine auf Beweisen basierende Schlussfolgerungsaufgabe neu formuliert. ChemMAS zerlegt die Aufgabe in vier Schritte: mechanistische Grundlage, mehrkanalige Rekall, constraint-bewusste agenteuelle Debatte und die Aggregation der Begründungen. Jede Entscheidung wird durch nachvollziehbare, auf chemischem Wissen und abgerufenen Vorbeispielen basierende Erklärungen gestützt. Experimente zeigen, dass ChemMAS gegenüber domain-spezifischen Baselines eine Steigerung um 20–35 % erzielt und allgemeine LLMs in der Top-1-Genauigkeit um 10–15 % übertrifft, während es gleichzeitig falsifizierbare, für Menschen vertrauenswürdige Begründungen liefert. Damit etabliert ChemMAS ein neues Paradigma für erklärbare KI in der wissenschaftlichen Entdeckung.