[论文解读] ChemReasoner: Heuristic Search over a Large Language Model's Knowledge Space using Quantum-Chemical Feedback

Henry W. Sprueill, Carl N. Edwards+7 more|arXiv (Cornell University)|Feb 15, 2024

Advanced Text Analysis Techniques被引用 4

一句话总结

ChemReasoner 提出了一种混合式人工智能框架，结合大型语言模型（LLM）驱动的启发式搜索与图神经网络（GNN）提供的量子化学反馈，以加速催化剂的发现。通过迭代生成假设，利用三维原子级模拟进行评估，并基于吸附能和反应能垒奖励优化搜索，该方法在性能上表现卓越——在三个基准测试中的两个中优于专家设计的描述符方法——同时实现了完全自动化、可信赖且基于科学原理的催化剂筛选。

ABSTRACT

The discovery of new catalysts is essential for the design of new and more efficient chemical processes in order to transition to a sustainable future. We introduce an AI-guided computational screening framework unifying linguistic reasoning with quantum-chemistry based feedback from 3D atomistic representations. Our approach formulates catalyst discovery as an uncertain environment where an agent actively searches for highly effective catalysts via the iterative combination of large language model (LLM)-derived hypotheses and atomistic graph neural network (GNN)-derived feedback. Identified catalysts in intermediate search steps undergo structural evaluation based on spatial orientation, reaction pathways, and stability. Scoring functions based on adsorption energies and reaction energy barriers steer the exploration in the LLM's knowledge space toward energetically favorable, high-efficiency catalysts. We introduce planning methods that automatically guide the exploration without human input, providing competitive performance against expert-enumerated chemical descriptor-based implementations. By integrating language-guided reasoning with computational chemistry feedback, our work pioneers AI-accelerated, trustworthy catalyst discovery.

研究动机与目标

• 为解决 CO2 转甲醇等复杂反应的最优催化剂发现挑战，传统基于描述符的方法受限于经验理解与组合复杂性。
• 通过将 LLM 的假设基于量子化学模拟，克服其在三维原子尺度相互作用与多步反应路径推理方面的局限。
• 开发一种自主的、由规划器驱动的框架，无需人工输入即可引导 LLM 在催化剂空间中搜索，使用计算反馈作为奖励信号。
• 证明将基于语言的推理与基于物理的评分（如吸附能、反应能垒）相结合，可实现比仅依赖专家设计描述符更可靠、更高效的催化剂发现。

提出的方法

• 该框架将催化剂发现建模为在不确定环境中的强化学习式搜索，其中 LLM 作为智能体在化学假设的知识空间中探索。
• 在每一步，LLM 基于动态选择的化学描述符（如“抗中毒能力”、“CO2 解离能力”）生成搜索提示，借助自动化规划实现。
• 候选催化剂被转换为三维原子级表示，并通过在量子化学数据上训练的 GNN 模型进行评估，以计算吸附能和反应能垒。
• 基于这些物理性质（尤其是吸附能和活化能垒）的奖励函数，引导 LLM 向能量有利、稳定且具有选择性的催化剂方向发展。
• 规划器利用先前步骤的反馈，修剪无希望的行动并优化搜索标准，包括动态包含/排除规则（如“必须吸附并活化 CO2”）和关系逻辑（如“不同于现有候选”）。
• 该系统支持迭代式、树状结构的推理，实现基于科学原理与计算反馈的多步假设生成与优化。

实验结果

研究问题

• RQ1 当基于量子化学反馈时，LLM 驱动的启发式搜索是否能优于专家设计的描述符基筛选方法？
• RQ2 LLM 智能体中的自动化规划在多大程度上可减少对人工设计的化学描述符的依赖，同时保持或提升搜索效率与准确性？
• RQ3 通过 GNN 提供的三维原子级模拟反馈，在多大程度上能有效引导 LLM 推理，使其朝向物理上合理且能量有利的催化剂发展？
• RQ4 该框架能否发现高活性的非贵金属催化剂用于 CO2 转甲醇反应，从而突破传统贵金属假设的局限？
• RQ5 结合多属性反馈（如吸附能、反应能垒、稳定性）是否能带来比单属性筛选更稳健、更具选择性的催化剂预测？

主要发现

• LLM 规划方法（ChemReasoner-Planner）在三项评估类别中的两项中优于专家设计的描述符基搜索（ChemReasoner-Expert），证明了自动化、反馈驱动规划的优越性。
• 该框架成功识别出高性能催化剂，包括 Pd-Au、Pt-Ru、Ru-Au、Rh-Pd 和 Pt-Au 合金，其科学依据基于 CO2 活化与 CO 还原机理。
• 通过整合反应路径与稳定性分析，该方法避免了高能垒或结构不稳定的候选，显著提升了预测可靠性。
• 量子化学反馈的整合使系统发现了此前专家列表中未强调的非贵金属催化剂，如 Pd-Au 和 Ru-Au 合金，从而将搜索空间拓展至贵金属之外。
• 动态包含/排除规则（如“必须吸附并活化 CO2”）的使用，使系统能够自主优化候选集，避免低效的搜索方向。
• 该框架在性能上与最先进的 LLM 实现相当，同时显著减少了人工干预，标志着向可信、AI 驱动的科学发现迈出了关键一步。