論文の概要: TMCS: Tool-Grounded Multi-Agent Reasoning for Compositional Chemical Problem Solving

• arxiv url: http://arxiv.org/abs/2609.35336v1
• Date: Mon, 28 Sep 2026 14:56:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 06:25:41.700129
• Title: TMCS: Tool-Grounded Multi-Agent Reasoning for Compositional Chemical Problem Solving
• Title（参考訳）: TMCS:組成化学問題解決のための多エージェント推論
• Abstract要約: 合成化学問題の解法(TMCS)のためのツールグラウンドマルチエージェント推論を提案する。 TMCSは、化学的問題解決を解釈可能なツール拡張ワークフローとして形式化する、ステップバイステップのマルチエージェントフレームワークである。
• 参考スコア（独自算出の注目度）: 29.35736520778167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the promise of Large Language Models (LLMs) in computational chemistry, rigorous combinatorial chemistry problems remain difficult because they require quantitatively constrained molecular modification, candidate validation, and systematic revision after failed attempts. Existing tool-augmented chemical agents demonstrate useful planning and tool use, but they rarely provide a unified loop for property-driven molecular optimization and workflow-level composition. To bridge this gap, we propose Tool-Grounded Multi-Agent Reasoning for Compositional Chemical Problem Solving (TMCS), a step-by-step multi-agent framework that formalizes chemical problem solving as an interpretable, tool-augmented workflow. At the task level, specialized agents leverage external tools, few-shot trajectory memory, and structured reflection to iteratively refine solutions. At the workflow level, TMCS chains generation, understanding, editing, description, and optimization into a closed-loop pipeline. Evaluations across multiple chemical tasks demonstrate that TMCS consistently enhances chemical reasoning across both open- and closed-source base models, achieving state-of-the-art performance.
• Abstract（参考訳）: 計算化学におけるLarge Language Models (LLMs) の約束にもかかわらず、定量的に制限された分子修飾、候補検証、失敗に終わった後の体系的な修正を必要とするため、厳密な組合せ化学問題は依然として難しいままである。 既存のツール強化化学薬品は有用な計画とツールの使用を示すが、特性駆動型分子最適化とワークフローレベルの合成のための統一ループはめったにない。 このギャップを埋めるために,我々は,化学問題の解法を解釈可能なツール拡張ワークフローとして形式化するステップバイステップのマルチエージェントフレームワークである,構成化学問題解決のためのツール・グラウンド・マルチエージェント推論(TMCS)を提案する。 タスクレベルでは、特殊エージェントは外部ツール、数発のトラジェクトリメモリ、構造化されたリフレクションを反復的に洗練されたソリューションに活用する。 ワークフローレベルでは、TMCSはクローズドループパイプラインに生成、理解、編集、記述、最適化を行う。 複数のケミカルタスクに対する評価は、TMCSがオープンベースモデルとクローズドベースモデルの両方にわたる化学的推論を一貫して強化し、最先端のパフォーマンスを達成することを示す。

関連論文リスト

• ChemOrch: Empowering LLMs with Chemical Intelligence via Synthetic Instructions [52.79349601462865]
  ChemOrchは化学的に接地した命令応答対を合成するフレームワークである。 ChemOrchは、生成したタスクに対して、制御可能な多様性と難易度を実現する。
  論文  参考訳（メタデータ） (2025-09-20T05:43:58Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• CheMatAgent: Enhancing LLMs for Chemistry and Materials Science through Tree-Search Based Tool Learning [12.745398618084474]
  大規模言語モデル(LLM)は、最近化学タスクにおいて有望な能力を実証した。 本稿では,基本的な情報検索から複雑な反応予測まで,137種類の外部化学ツールを統合したLCMエージェントを提案する。
  論文  参考訳（メタデータ） (2025-06-09T08:41:39Z)
• 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)
• El Agente: An Autonomous Agent for Quantum Chemistry [3.6593051631801106]
  El Agente Qは、自然言語のユーザプロンプトから量子化学を生成し、実行するマルチエージェントシステムである。 El Agente Qは6つの大学レベルのコース演習と2つのケーススタディでベンチマークされ、堅牢な問題解決性能を示している。
  論文  参考訳（メタデータ） (2025-05-05T09:07:22Z)
• ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning [64.2106664137118]
  ChemAgentは,大規模言語モデル(LLM)の性能向上を目的とした,新しいフレームワークである。 化学タスクをサブタスクに分解し、これらのサブタスクを将来のクエリに参照可能な構造化されたコレクションにコンパイルすることで開発される。 新しい問題を提示すると、ChemAgentは、私たちがメモリと呼ぶライブラリから関連する情報を検索し、精査する。
  論文  参考訳（メタデータ） (2025-01-11T17:10:30Z)
• 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。