Chemical reasoning in LLMs unlocks steerable synthesis planning and reaction mechanism elucidation
作者: Andres M Bran, Theo A Neukomm, Daniel P Armstrong, Zlatko Jončev, Philippe Schwaller
发布时间: 2025-03-12
来源: arxiv
研究方向: 化学推理与机器学习
主要内容
本研究提出了一种利用大型语言模型（LLM）进行化学推理的新方法，该方法将LLM作为化学推理引擎，结合传统搜索算法，以实现计算机辅助化学的新范式。通过两个基本挑战：策略感知的逆合成规划和机制阐明，展示了LLM在化学推理中的强大能力。
主要贡献
1. 提出了一种将LLM作为化学推理引擎的方法，结合传统搜索算法，实现了计算机辅助化学的新范式。
2. 开发了策略感知的逆合成规划框架，允许化学家以自然语言指定所需的合成策略。
3. 展示了LLM在机制阐明中的应用，通过评估候选反应机制的可能性来引导搜索。
4. 通过实验验证了LLM在合成规划和机制阐明中的有效性，并提供了对LLM能力影响的深入分析。
5. 建立了新的基准测试，以评估不同LLM在化学推理任务中的表现。
研究方法
1. 使用LLM作为化学推理引擎，评估化学策略和指导搜索算法。
2. 开发了一个策略感知的逆合成规划框架，允许化学家以自然语言指定所需的合成策略。
3. 设计了一个机制阐明框架，其中LLM评估候选反应机制的可能性。
4. 通过实验验证了LLM在合成规划和机制阐明中的有效性。
5. 建立了新的基准测试，以评估不同LLM在化学推理任务中的表现。
实验结果
实验结果表明，LLM在合成规划和机制阐明中表现出强大的能力。在策略感知的逆合成规划中，LLM能够有效地分析合成路线并评估其与用户查询的匹配程度。在机制阐明中，LLM能够评估候选反应机制的可能性，并引导搜索过程以选择最佳解决方案。
未来工作
未来的工作将集中在以下几个方面：1）改进LLM的训练和微调技术，以提高其在化学推理任务中的性能。2）开发新的LLM模型，以更好地理解化学概念和策略。3）将LLM与其他计算化学方法相结合，以解决更复杂的化学问题。4）探索LLM在化学研究中的其他潜在应用。