MOF-Sleuth：基于工具奖励对齐的可解释细粒度MOF CIF审计

arXiv论文提出MOF-Sleuth，一个基于强化学习的CIF审计代理，由Forensic Lab和Sleuth推理引擎组成。Forensic Lab从MOF晶体信息文件中推导化学、几何、连通性等证据，Sleuth引擎利用这些证据生成可解释的诊断、错误类型和二元决策。通过奖励导向的强化学习，将工具测量转化为化学解释级别的监督。该方法旨在解决LLM直接审计成本高、不可靠的问题。

此前MOF数据审计依赖固定校验或粗粒度标签，LLM直接推理不可靠且昂贵。MOF-Sleuth首次将强化学习与证据接地相结合，实现了可解释的细粒度化学错误诊断，提升了自动化审计的准确性和可信度。

Forensic Lab通过确定性计算提取组成、几何、连接性、占有率、配位和电荷等化学证据；Sleuth引擎利用这些证据进行推理，生成带有证据支撑的解释和诊断。强化学习奖励不仅关注最终答案，还奖励引用的化学证据和证据支持的诊断，从而对齐工具测量与化学解释。

该工具可集成到MOF数据库管理平台或材料筛选流程中，自动化CIF质量审计，减少人工审核成本，提高下游模拟与筛选的可靠性。但当前仅为研究原型，尚无商业产品落地。

• 开发基于MOF-Sleuth的云端CIF自动审核API，供材料研究机构使用
• 将MOF-Sleuth集成到主流MOF数据库（如CoRE MOF）中，作为质量检测模块
• 为材料筛选SaaS工具提供可解释的错误报告功能，提升用户信任
• 与实验数据平台结合，自动标记CIF中的潜在化学错误并给出修正建议

• MOF-Sleuth在不同规模和错误类型下的实际准确率与速度如何？
• 该工具是否已开源或计划商业化？
• 强化学习训练需要多少标注数据？对缺乏标注的MOF数据集是否有效？