利用知识增强树搜索提升 LLM 的分子结构鉴定能力
计算与语言
2025-07-01 v1
摘要
分子结构鉴定涉及从多种类型的光谱数据推断分子结构，这在化学实验分析中至关重要。虽然大型语言模型（LLM）在分析和推理复杂任务方面表现出惊人的能力，但它们在分子结构鉴定方面仍面临重大挑战。我们识别到，这些挑战主要源于 LLM 对专业化化学知识的了解不足。本文引入了一种面向分子结构鉴定的知识增强推理框架（K-MSE），利用蒙特卡洛树搜索进行测试时扩展作为插件。具体而言，我们构建了一个外部分子亚结构知识库以扩展 LLM 覆盖的化学结构空间。此外，我们设计了一种专门的分子-光谱评分器作为推理过程的奖励模型，解决了 LLM 解决方案评估不准确的问题。实验结果表明，我们的方法在 GPT-4o-mini 和 GPT-4o 上均显著提升了性能，尤其是在两者上实现了超过 20% 的性能提升。我们的代码已公开 disponible at https://github.com/HICAI-ZJU/K-MSE。
引用
@article{arxiv.2506.23056,
title = {Boosting LLM's Molecular Structure Elucidation with Knowledge Enhanced Tree Search Reasoning},
author = {Xiang Zhuang and Bin Wu and Jiyu Cui and Kehua Feng and Xiaotong Li and Huabin Xing and Keyan Ding and Qiang Zhang and Huajun Chen},
journal= {arXiv preprint arXiv:2506.23056},
year = {2025}
}
备注
ACL 2025 Main