Boosting LLM's Molecular Structure Elucidation with Knowledge Enhanced Tree Search Reasoning

会议: ACL 2025
arXiv: 2506.23056
代码: https://github.com/HICAI-ZJU/K-MSE
领域: LLM / 科学推理
关键词: 分子结构解析, MCTS, 知识库增强, 光谱-分子评分器, test-time scaling

一句话总结

提出 K-MSE，通过构建分子子结构知识库补充 LLM 化学知识 + 设计分子-光谱评分器作为奖励模型 + MCTS 树搜索推理框架，在分子结构解析任务上将 GPT-4o-mini 和 GPT-4o 的性能提升超过 20%。

研究背景与动机

1. 领域现状：分子结构解析——从 NMR/IR 光谱数据推断分子结构——是化学实验分析的核心任务，即使专家也需要 10-15 分钟推理一个分子。LLM 在化学任务上有潜力但面临重大挑战。
2. 现有痛点：(a) LLM 缺乏足够的化学分子结构空间覆盖——常将不熟悉的子结构（如噻吩）误识别为常见结构（如苯环）；(b) LLM 无法准确评估自己的推理结果——作为奖励模型时效果差，无法有效指导树搜索。
3. 核心矛盾：树搜索推理需要两个条件——足够的领域知识和准确的奖励信号——LLM 在分子结构解析任务上两者都缺乏。
4. 本文要解决什么？ 通过外部知识库补充知识 + 专用评分器提供准确奖励，让 MCTS 推理在化学任务上有效运转。
5. 切入角度：知识库提供子结构参考，评分器兼作奖励模型和检索桥梁，MCTS+Self-Refine 实现迭代优化。
6. 核心 idea 一句话：知识库补知识、评分器补反馈、MCTS 框架让 LLM 能像化学家一样迭代-反思-改进分子结构推理。

方法详解

整体框架

输入：IR 光谱（图像）+ C-NMR + H-NMR + 分子式 → 知识库检索子结构 → MCTS 迭代推理（选择→批判→改写→评分→回传）→ 输出 SMILES 分子结构

关键设计

1. 分子子结构知识库:
2. 从分子数据库提取环状和链状子结构 + LLM 自动生成文本描述

3. 用评分器作为检索桥梁：光谱编码器编码输入光谱 → 分子编码器编码知识库子结构 → 余弦相似度检索 Top-K

4. 分子-光谱评分器（奖励模型）:

5. 分子编码器：GIN（分子图）+ MLP（指纹）→ 分子嵌入
6. 光谱编码器：将 C-NMR/H-NMR 的化学位移/裂分模式/偶合常数离散化为 token → Transformer 编码 → 光谱嵌入
7. NT-Xent 对比学习训练：正配对（分子+其光谱）高相似度

8. 兼做奖励模型（评估推理结果）和检索器（检索知识库）

9. MCTS + Self-Refine:

10. 每个树节点 = 一个完整的分子结构预测
11. 选择：UCT 平衡探索与利用
12. 扩展：Critique（批判当前答案+分子图像+分子式）→ Rewrite（改进）
13. 评估：评分器计算预测分子与输入光谱的相似度作为奖励
14. 回传：更新父节点 Q 值

实验关键数据

主实验（MolPuzzle 基准）

模型	方法	Morgan FTS↑	MACCS FTS↑	Formula Acc↑	ACC↑
GPT-4o-mini	CoT	0.224	0.386	0.097	0.028
GPT-4o-mini	MCTSr	0.248	0.428	0.032	0.019
GPT-4o-mini	K-MSE	0.301	0.476	0.134	0.060
GPT-4o	CoT	0.255	0.468	0.125	0.032
GPT-4o	MCTSr	0.281	0.468	0.051	0.037
GPT-4o	K-MSE	0.324	0.525	0.199	0.074

关键发现

• K-MSE 在所有模型/所有指标上一致最优——GPT-4o 的 Morgan FTS 从 0.255 提升到 0.324（+27%）
• 标准 MCTSr（用 LLM 自身作奖励）有时反而比 CoT 差（Formula Acc 下降）——验证了 LLM 不能自我评估化学推理
• 知识库和评分器都是关键——消融显示只用其一效果有限
• 即使 K-MSE 后 ACC 仍然较低（7.4%）——分子结构解析对 LLM 仍极具挑战

亮点与洞察

• 评分器的双重角色：既作MCTS奖励模型又作知识库检索器，一个模型解决两个问题
• 化学任务验证了 test-time scaling 的瓶颈：没有准确奖励信号，搜索越多可能越差
• 子结构知识库的设计思路可推广到其他专业领域（药物/材料等）

局限性 / 可改进方向

• ACC 仍然很低（~7%），距离实用仍有很大差距
• 评分器需要专门训练，不能零成本应用新领域
• 当前仅用 SMILES 表示分子，3D 结构未考虑
• MCTS 迭代次数增加线性增加成本
• 可探索将评分器集成到 LLM 训练（而非仅推理时使用）

相关工作与启发

• vs MCTSr (Zhang et al.)：MCTSr 用 LLM 自评，在化学任务上失败；K-MSE 用专用评分器解决了这个根本问题
• vs ChemCrow/ChatDrug：它们用工具辅助 LLM，K-MSE 更进一步用知识库+评分器+树搜索协同
• 核心启发：专业领域的 LLM 推理需要"领域专用的奖励信号"——通用 LLM 自评不可靠

评分

• 新颖性: ⭐⭐⭐⭐ 评分器双角色设计巧妙，知识库+MCTS 的组合在化学领域是首次
• 实验充分度: ⭐⭐⭐⭐ 多模型多基线对比完整，消融清晰
• 写作质量: ⭐⭐⭐⭐ 问题定义精确，方法描述系统
• 价值: ⭐⭐⭐⭐ 对 LLM 科学推理有启发，但 ACC 仍低限制了直接应用