AskChem: Claim-Centered Infrastructure for Chemistry Literature Synthesis

Chemistry literature synthesis often requires assembling specific findings scattered across many publications, yet existing literature-search systems primarily return ranked document lists. As a result, scientists and AI agents need to locate relevant information, verify their provenance, and assemble cross-paper answers manually. We present AskChem, a claim-centered infrastructure for cross-paper chemistry search. AskChem changes the unit of retrieval from the paper to the provenance-carrying claim: each paper is converted into atomic, typed claims, each grounded by a source DOI and a verbatim quote or an explicit evidence locator. Over this shared claim store, AskChem exposes complementary structures for search and synthesis: a stabilized faceted taxonomy for hierarchical retrieval and browsing, an evidence graph linking claims through relations, and an exploratory living taxonomy that situates indexed papers under scientific principles. AskChem currently indexes 2.4M claims from 147K papers and provides a web interface, as well as REST, SDK, and MCP access for AI agents. On AskChem-Bench, grounding a GPT-5.5 reader in AskChem yields 100% resolvable DOIs, compared with 88.3% without retrieval, and the highest citation density among five tested systems. AskChem is live at https://askchem.org.

한 줄 요약

AskChem은 문서 중심 검색 대신, 과학적 주장(claim)을 중심으로 화학 문헌을 통합하는 인프라를 제시한다.

핵심 기여도

147,000개 논문에서 2.4백만 개의 원자적, 타입화된 주장(claim)을 추출하여 DOI와 인용문으로 연결.
GPT-5.5 기반 리더를 AskChem에 접목했을 때, 100%의 DOI가 해결 가능한 반면, 검색 없이 88.3%에 머물렀음.
주장 간 관계를 연결하는 증거 그래프(evidence graph)와 탐색 가능한 생존 분류체계(living taxonomy)를 제시.
REST, SDK, MCP 인터페이스를 통해 AI 에이전트와 인간 사용자 모두가 동일한 클레임 객체에 접근 가능.

핵심 아이디어

기존의 화학 문헌 검색은 문서 단위로 이루어져 있어, 사용자가 여러 논문에서 정보를 수동적으로 모으고 검증해야 하는 문제를 야기한다. AskChem은 이 문제를 해결하기 위해, **문서가 아닌 과학적 주장(claim)** 을 검색 및 통합의 기본 단위로 설정한다. 각 클레임은 DOI와 인용문 또는 명시적 증거 위치자(evidence locator)로 뒷받침되며, 이를 통해 사용자는 특정 발견을 직접 추적하고 검증할 수 있다.

이 접근법은 Segment Anything Model이 이미지 영역을 분할하는 방식과 유사하게, LLM을 활용해 논문을 클레임 단위로 분할한다. 이는 단순한 문서 검색에서 벗어나, **증거 기반의 주장 중심 검색** 을 가능하게 하며, 특히 AI 에이전트가 문헌을 기반으로 실험 계획을 세우는 데 유용하다.

기술적 접근법

**Claim 추출**: LLM을 사용하여 논문을 원자적, 타입화된 클레임으로 분할.
**Claim 저장소**: 각 클레임은 DOI와 인용문 또는 증거 위치자로 연결되어 저장.
**구조화된 검색**:
**Stabilized Faceted Taxonomy**: 계층적 탐색 및 브라우징을 지원.
**Evidence Graph**: 클레임 간 관계를 링크로 연결.
**Living Taxonomy**: 과학적 원리 아래 인덱싱된 논문을 탐색.
**접근 방식**: 웹 인터페이스 외에도 REST, SDK, MCP를 통해 AI 에이전트 접근 가능.

주요 결과

AskChem-Bench에서 GPT-5.5 리더를 AskChem에 접목했을 때, **100%의 DOI가 해결 가능** 하였다.
검색 없이 동일 리더를 사용했을 경우, **88.3%의 DOI 해결률** 을 기록.
5개 시스템 중 **가장 높은 인용 밀도(citation density)** 를 보임.
147,000개 논문에서 2.4백만 개의 클레임을 인덱싱하여 ** корпус 스케일 운영 가능**.

의의 및 한계

AskChem은 과학적 주장 중심의 검색 인프라를 제시함으로써, AI 에이전트와 과학자가 문헌을 통합하고 검증하는 방식을 혁신적으로 변화시킬 수 있다. 특히, **DOI와 인용문을 기반으로 한 증거 추적** 은 과학적 신뢰도를 높이는 데 기여한다. 그러나, 현재는 **2.4백만 개의 클레임에 대해서만 운영** 중이며, 더 많은 논문을 처리하는 확장성 문제는 여전히 남아 있다. 또한, 클레임 추출 과정에서 발생할 수 있는 **LLM의 오해 또는 오분류** 는 추후 개선 과제로 남는다.

실용적 활용

AskChem은 화학 연구자들이 **다수 논문에 분산된 정보를 통합하고 검증** 하는 데 유용하며, AI 에이전트가 실험 설계나 리뷰 작성 시 문헌을 자동으로 조사하는 데 활용될 수 있다. 또한, **제약, 재료, 환경 분야** 등에서 과학적 주장 기반의 데이터 분석을 지원하는 데도 적용 가능하다.