ChemAgent：基于大语言模型的自更新化学推理库
计算与语言
2025-01-14 v1 人工智能
摘要
化学推理通常涉及复杂的多步骤过程，要求精确计算，甚至 slightest 错误都可能导致级联失败。此外，大语言模型 (LLM) 在处理领域特定公式、准确执行推理步骤和有效集成代码时面临困难。为解决这些挑战，我们提出 ChemAgent，一个通过动态自更新库来提高大语言模型性能的新框架。该库通过将化学任务分解为子任务并将这些子任务编译成可供未来查询引用的结构化集合而构建。当面对新问题时，ChemAgent 从库中检索和细化相关信息，我们称为记忆，从而促进有效的任务分解和解决方案的生成。我们的方法设计了三种类型的记忆和一个库增强型推理组件，使大语言模型能够通过经验不断改进。实验结果表明，在来自 SciBench 的四个化学推理数据集上，ChemAgent 可实现最高 46% 的性能提升 (GPT-4)，显著优于现有方法。我们的发现表明，该方法在未来应用中具有巨大的潜力，包括药物发现和材料科学等任务。我们的代码可在 https://github.com/gersteinlab/chemagent 查找。
引用
@article{arxiv.2501.06590,
title = {ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning},
author = {Xiangru Tang and Tianyu Hu and Muyang Ye and Yanjun Shao and Xunjian Yin and Siru Ouyang and Wangchunshu Zhou and Pan Lu and Zhuosheng Zhang and Yilun Zhao and Arman Cohan and Mark Gerstein},
journal= {arXiv preprint arXiv:2501.06590},
year = {2025}
}