论文
把大语言模型锚定于反应知识图谱以进行合成检索
Grounding Large Language Models in Reaction Knowledge Graphs for Synthesis Retrieval
摘要
大语言模型（LLM）可以辅助化学中的合成规划，但标准提示方法常产生幻觉或过时建议。我们通过把反应路径检索转化为 Text2Cypher（自然语言到图查询）生成问题，研究 LLM 与反应知识图谱的交互，并定义单步与多步检索任务。我们比较零样本提示与使用静态、随机及基于嵌入的示例选择的一次样本（one-shot）变体，并评估检查表驱动的验证/纠正循环。为评估该框架，我们考虑查询有效性与检索准确率。我们发现，使用对齐示例的一次样本提示持续表现最佳。我们的检查表式自我纠正循环主要在零样本设定下改善可执行性，一旦有好的示例，其额外检索收益有限。我们提供可复现的 Text2Cypher 评估设置，以促进 KG 以知识图谱为依据的 LLM 用于合成规划的进一步工作。代码见 https://github.com/Intelligent-molecular-systems/KG-LLM-Synthesis-Retrieval。
