摘要
大型金属有机框架（MOF）数据库通过晶体信息文件（CIF）支持模拟、筛选和机器学习。输入中的微妙化学和结构错误可能会影响下游结果并妨碍人工检查。计算化学中大型语言模型（LLM）的进展为细粒度诊断提供了超越预测筛选的路径，能够提供基于证据的解释。然而，仍然存在两个挑战：
- 有限的细粒度归因：特定于MOF的验证器和机器学习模型能够扩展检测，但提供的检查、准备评分或粗略标签并非基于证据的解释。
- 不可靠的CIF推理：直接的LLM审计成本高且不可靠，因为化学证据在原子位记录中隐含，需进行几何、连接性、占位和电荷计算。这两个问题源于化学证据与语言模型解释之间的弱耦合。
我们提出了MOF-Sleuth，一个基于强化学习的CIF审计代理，包含两个模块：
- 确定性法医实验室：提取组成、几何、连接性、占位、配位和电荷证据。
- 侦探推理引擎：利用这些证据生成基于证据的解释、错误类型和二元决策。
奖励驱动的强化学习（RL）将工具测量转化为化学解释级别的监督，不仅奖励最终答案，还奖励引用的化学证据和基于证据的诊断。我们引入了化学基础诊断（Chem-GD）这一指标，评估是否由CIF衍生的事实证据解释正确诊断。
在四个基准测试中，MOF-Sleuth在基于LLM的方法和特定于MOF的机器学习方法中建立了最新的性能，展示了在检测、归因和基于证据的解释质量方面的提升。
博主点评： MOF-Sleuth的提出为CIF审计提供了创新的解决方案，通过强化学习增强了对化学证据的解释能力，体现了先进的计算化学与机器学习的结合，推动了科学数据的可靠性和可解释性。其在多个基准测试中的优异表现，预示着未来MOF相关研究将更加精细化和高效化。