MAIL：用于化学假设生成的记忆驱动、自适应、增量式且基于文献的框架

化学文献规模的不断扩大，为生成新颖且具有重要影响力的假设提供了前所未有的机会。然而，瓶颈在于如何高效地浏览这一庞大的知识库，以形成高质量且具有实验意义的洞见。 尽管 Large Language Models (LLMs) 在这项任务中展现出潜力，但现有方法往往依赖静态灵感语料库、预定义启发式规则，或繁琐的人在环流程和决策支持框架，从而限制了可扩展性和新颖性。在本研究中，我们提出了一种自动化方法，即用于化学假设生成的记忆增强、自适应、增量式且基于文献的（MAIL）框架。我们的 MAIL 方法将假设生成表述为一种以时间为基础、由记忆驱动的推理过程，其中假设从一条不断演化的概念路径中产生，该路径持续积累并重新解释先前知识。我们在公开的 TOMATO-Chem 数据集以及一个新整理并发布的高新颖性 nature/science 挑战（HN-NS）数据集上评估了 MAIL 框架。在两个数据集上，MAIL 都生成了结构连贯且机制上合理的假设，通过更有效地恢复历史目标假设的核心思想和方法要素，取得了最高的 MIOS 和 MPOS，并在科学质量方面获得了最高的专家总体评价分数。这些结果展示了 LLMs 自主探索化学领域并生成既具创新性又在化学上合理的假设的潜力。