Cheng Yang Jiaxuan Lu Haiyuan Wan Junchi Yu Feiwei Qin

Résumé

La recommandation de conditions réactionnelles consiste à sélectionner les paramètres appropriés pour des réactions chimiques, une étape essentielle pour accélérer les progrès en chimie. Avec le développement rapide des grands modèles linguistiques (LLM), l’intérêt croît pour exploiter leurs capacités de raisonnement et de planification afin de recommander des conditions réactionnelles. Malgré leurs succès, les méthodes existantes expliquent rarement la justification derrière les conditions proposées, ce qui limite leur utilité dans les flux de travail scientifiques à fort enjeu. Dans ce travail, nous proposons ChemMAS, un système multi-agents qui reformule la prédiction des conditions comme une tâche fondée sur des preuves. ChemMAS décompose cette tâche en quatre étapes : fondement mécanistique, rappel multi-canal, débat agencé avec prise en compte des contraintes, et agrégation des justifications. Chaque décision est soutenue par des explications interprétables, ancrées dans des connaissances chimiques et des précédents récupérés. Les expériences montrent que ChemMAS obtient des gains de 20 à 35 % par rapport aux méthodes spécialisées dans le domaine, et surpasse les LLM généraux de 10 à 15 % en précision au Top-1, tout en offrant des raisonnements vérifiables et crédibles par l’humain. Cela établit un nouveau paradigme pour l’intelligence artificielle explicable dans la découverte scientifique.