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

• arxiv url: http://arxiv.org/abs/2509.23768v1
• Date: Sun, 28 Sep 2025 09:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.433805
• Title: From What to Why: A Multi-Agent System for Evidence-based Chemical Reaction Condition Reasoning
• Title（参考訳）: 証拠に基づく化学反応条件推論のためのマルチエージェントシステム
• Authors: Cheng Yang, Jiaxuan Lu, Haiyuan Wan, Junchi Yu, Feiwei Qin,
• Abstract要約: ChemMASは、条件予測をエビデンスベースの推論タスクとして再設定するマルチエージェントシステムである。 ChemMASはドメイン固有のベースラインよりも20～35%向上し、Top-1精度で汎用LLMを10～15%上回る。
• 参考スコア（独自算出の注目度）: 15.34060627861624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 化学反応の推奨事項は化学反応の適切な反応条件パラメータを選択することである。 大規模言語モデル(LLM)の急速な開発に伴い、リアクション条件のレコメンデーションに彼らの推論と計画能力を活用することへの関心が高まっている。 その成功にもかかわらず、既存の手法は推奨された反応条件の背後にある理論的根拠をほとんど説明せず、高い知識の科学的なワークフローにおいてその有用性を制限している。 本研究では,エビデンスに基づく推論タスクとして条件予測を再構成するマルチエージェントシステムであるChemMASを提案する。 ChemMASは、タスクを機械的なグラウンドリング、マルチチャネルリコール、制約を意識したエージェントの議論、合理化アグリゲーションに分解する。 それぞれの決定は、化学知識に基づく解釈可能な正当化と、前例の回収によって裏付けられている。 実験によると、ChemMASはドメイン固有のベースラインよりも20～35%向上し、Top-1の精度で汎用LLMを10～15%上回っている。

関連論文リスト

• Beyond Chemical QA: Evaluating LLM's Chemical Reasoning with Modular Chemical Operations [43.623140005091535]
  我々は、分子構造理解を算術に着想を得た演算でブリッジする推論フレームワークであるChemCoTBenchを紹介する。 ChemCoTBenchは、化学的問題解決を透明でステップバイステップの推論に形式化する。 分子特性最適化と化学反応予測という2つの高影響タスクのモデルを評価する。
  論文  参考訳（メタデータ） (2025-05-27T15:15:44Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Text-Augmented Multimodal LLMs for Chemical Reaction Condition Recommendation [38.76977853056086]
  Chemma-RCは、タスク固有の対話と条件生成を通じて有効な条件を識別するテキスト拡張マルチモーダルLLMである。 Chemma-RCは、複数のモダリティ(テキストコーパス、反応SMILES、反応グラフを含む)を共有埋め込みモジュールで整列させることで、化学反応の統一的な表現を学習する。 データセットのパフォーマンスベンチマークは、最適な条件を特定する上で高い精度を示し、最先端の手法よりも最大17%改善した。
  論文  参考訳（メタデータ） (2024-07-21T12:27:26Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
  Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。 このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。 我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。