Agentic generation of verifiable rules for deterministic, self-expanding reaction classification
作者: Daniel Armstrong, Maarten Dobbelaere, Valentas Olikauskas, Helena Avila, Octavian Susanu, Jérôme Waser, Philippe Schwaller
分类: cs.AI, cs.CL
发布日期: 2026-07-01
💡 一句话要点
提出全自动化多代理框架以解决化学反应分类问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 化学反应分类 大型语言模型 自动化系统 动态数据库 反应规则生成 多代理框架 机器学习 符号系统
📋 核心要点
- 现有的化学反应分类方法依赖于固定的规则集，无法适应新化学，且手动编码工作量巨大。
- 本文提出的全自动化多代理框架利用大型语言模型，能够自动分类反应并生成规则，显著提高了分类的灵活性和准确性。
- 实验结果显示，该方法对未见反应的分类准确率达到97.7%，并将反应分类从68类扩展至14,073类，表现出优越的性能。
📝 摘要（中文）
计算机辅助合成规划通过将目标分子分解为可获取的前体，利用大量反应规则库为每个转化分配确定性且可解释的标签。然而，化学领域的长尾特性使得手动编码变得不可行，现有工具依赖于固定的规则集，无法适应新化学。本文提出了一种全自动化的管道，利用大型语言模型的多代理框架对665,901个美国专利反应进行分类并自动生成规则，且在验证循环中测试每条规则。该方法将标准分类法从68类扩展至14,073类，无需人工整理。通过轻量级指纹分类器，该方法对未见反应的分类准确率达到97.7%，与领先的专有分类器相匹配，同时更细致地解析化学，并能够根据需求扩展至训练分布之外的化学。最终形成了一个动态的反应性数据库，为将生成模型转变为可靠的自扩展符号系统提供了一般性路径。
🔬 方法详解
问题定义：本文旨在解决现有化学反应分类方法的局限性，尤其是固定规则集无法适应新化学的挑战，以及手动编码的不可行性。
核心思路：通过构建一个全自动化的多代理框架，利用大型语言模型（LLMs）对化学反应进行分类并自动生成反应规则，形成一个动态的反应性数据库。
技术框架：该方法包括多个模块：首先，使用LLMs对反应进行分类；其次，在验证循环中测试生成的规则；最后，利用轻量级指纹分类器进行反应的最终分类。
关键创新：最重要的创新在于实现了反应规则的自动生成和分类，且在没有人工干预的情况下，将反应分类从68类扩展至14,073类，显著提高了分类的灵活性和准确性。
关键设计：在设计中，采用了轻量级指纹分类器以提高分类效率，并在验证过程中引入了循环测试机制，以确保生成规则的有效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法对未见反应的分类准确率达到97.7%，与领先的专有分类器相匹配。同时，反应分类的扩展从68类增加到14,073类，显示出显著的性能提升，能够更细致地解析化学反应。
🎯 应用场景
该研究的潜在应用领域包括药物发现、材料科学和化学合成等。通过提供一个动态更新的反应性数据库，研究人员可以更高效地探索新化学反应，推动新材料和药物的开发。未来，该方法有望在化学领域广泛应用，提升反应分类的自动化水平。
📄 摘要（原文）
Computer-assisted synthesis planning breaks target molecules into accessible precursors using large libraries of reaction rules that assign each transformation a deterministic, interpretable label. But chemistry is long-tailed, making manual encoding intractable, and existing tools rely on fixed rulesets that cannot adapt to new chemistries. Here we present a fully automated pipeline in which a multi-agent framework of large language models (LLMs) classifies reactions and writes the rules themselves across 665,901 US patent reactions, generating each rule under a verification loop that tests it against the corpus. It expands a standard taxonomy from 68 to 14,073 classes without human curation. With a lightweight fingerprint classifier, it classifies 97.7\% of unseen reactions, matching a leading proprietary classifier while resolving chemistry more finely and extending on demand to chemistry outside its training distribution. The result is a living reactivity database and a general route to turning generative models into reliable, self-expanding symbolic systems.