化学推理在大语言模型中实现策略感知的合成规划与反应机理阐释
人工智能
2025-07-25 v2 材料科学
摘要
虽然自动化化学工具在特定任务中表现出色，但在捕捉专家化学推理所特有的策略性思维方面仍感到挑战。本文展示了大语言模型（LLM）可作为强大的化学分析工具。当与传统搜索算法集成时，它们实现了一种类似于人类专家思维的方法，用于计算机辅助合成。我们不使用 LLM 直接操作化学结构，而是利用其评估化学策略并引导搜索算法朝向具有化学意义解决方案的能力。我们通过两个根本性挑战来展示这一范式：策略感知的反向合成规划与机理阐释。在反向合成规划中，我们的系统允许化学家以自然语言指定所需的合成策略——从保护基策略到全局可行性评估——并使用传统方法或 LLM 指导的蒙特卡洛树搜索找到满足这些约束的路线。在机理阐释中，LLM 通过结合化学原理与系统探索来指导搜索合理反应机理的过程。该方法在多样化的化学任务中表现出色，较新的更大的模型显示出日益复杂的化学推理能力。我们的做法建立了一种新的计算机化学方法，结合 LLM 的战略理解与传统化学工具的精确性，为实现更直观且强大的化学自动化系统开辟了可能性。
引用
@article{arxiv.2503.08537,
title = {Chemical reasoning in LLMs unlocks strategy-aware synthesis planning and reaction mechanism elucidation},
author = {Andres M Bran and Theo A Neukomm and Daniel P Armstrong and Zlatko Jončev and Philippe Schwaller},
journal= {arXiv preprint arXiv:2503.08537},
year = {2025}
}