基于大语言模型和知识图谱的macromolecule自动反综合规划

在材料化学中识别可靠的综合路径是一个复杂任务，尤其是在聚合物科学中，因为macromolecule 通常具有复杂且常常非唯一的命名。为此，我们提出了一个代理系统，将大语言模型（LLMs）和知识图谱相结合。通过利用 LLMs 提取和识别化学物质名称的强大能力，并将提取的数据存储在结构化知识图谱中，我们的系统完全自动化了相关文献的检索、反应数据的提取、数据库查询、反综合路径树的构建、通过检索额外文献进行进一步扩展以及最优反应路径的推荐。通过考虑化学反应物之间的复杂相互依赖，提出了一种新的多分支反应路径搜索算法（MBRPS），以帮助识别所有有效的多分支反应路径，这些路径是当单个产品分解为多个反应中间体时产生的。与此不同，先前的研究仅限于产品分解为最多一个反应中间体的情况。本工作代表了首次开发一种专为 macromolecule 设计的、由 LLMs 提供动力的完全自动化反综合规划代理。应用于聚酰亚胺综合，我们的新方法构建了一个包含数百条综合路径的反综合路径树，并推荐了包括已知和新颖路径在内的优化路径。这表明，鉴于材料相关文献的庞大，利用 LLMs 进行文献咨询以完成特定任务是可能且至关重要的，对未来的材料研究具有重要意义。