ChemNavigator：基于智能体的有机光催化剂设计规则发现

高性能有机光催化剂的设计仍受限于化学空间的广阔性和对分子设计依赖人类直觉。本文提出ChemNavigator，一种基于智能体的人工智能系统，通过假设驱动的方式自主探索有机光催化剂候选物，建立结构-性能关系。该系统结合大语言模型推理与密度泛函紧束缚计算，在多智能体架构中模拟科学方法：提出假设、设计实验、执行计算并通过严格的统计分析验证结果。经过包含200个分子的迭代发现周期，ChemNavigator自主识别出六个统计显著的设计规则，涵盖前线轨道能量调控因素，如醚键、羰基、共轭扩展、氰基、卤素取代基和氨基等。这些规则对应于有机电子结构的已知原理，表明系统能够在无需显式编程的情况下独立推导化学知识。值得注意的是，自主智能体推理从分子库中提取了六个验证规则，而先前机器学习方法仅识别出羰基效应。量化效应大小为合成化学家提供了优先级排序，特征交互分析揭示了策略组合时的边际效益递减，挑战了分子设计中的加性假设。本研究证明了智能体人工智能系统能够自主推导可解释且基于化学原理的设计原则，建立了辅助材料发现的AI框架。