多目的分子最適化は、医薬品発見や材料設計などの分野における中核的な課題である。研究者は、広大な化学空間の中から、生体活性が高い一方で合成が容易であり、かつ薬物動態学的性質も良好な分子を見つけ出す必要がある。これらの目的はしばしば相反するため、初期の設計決定が下流の結果を強く制約する。従来の手法は一般に単一のポリシーや固定されたスカラー化に依存しており、多様なトレードオフを表現し、複数の有望な設計軌跡を探索する能力が限られていた。
この問題に対して、Jia Zhangら6名の著者はarXivに論文を公開し、ATOMと呼ばれるマルチエージェントフレームワークを提案した。ATOMの中心的なアイデアは、分子最適化問題を樹状探索として再定式化することにある。この樹の各ノードは原子操作（例えば化学基の付加や除去）に対応し、それぞれのノードには特定の目的や意思決定コンテキストに特化したエージェントが配置される。エージェントはグローバルな合意を強制するのではなく、樹の異なる経路に沿って協調する。これにより、アルゴリズムは複数の分子進化軌跡を維持し比較することが可能となり、単一の妥協案に早期に収束することを防ぐ。
さらにATOMは、過去の最適化行動を記録するグローバルメモリを導入している。このメモリは、目的間のバランスの取れた探索と活用を支援し、エージェントが長期的な依存関係を推論することを可能にする。分子設計のような多段階の意思決定が必要なタスクでは、このような長距離依存性の捕捉が重要である。樹状構造内の相互作用を通じて、ATOMは探索方向をより効果的に導くことができる。
実験では、活性、合成可能性、ADMET（吸収、分布、代謝、排泄、毒性）関連の性質を含む複数の挑戦的な多目的ベンチマークでATOMを評価した。その結果、強力なベースライン手法と比較して、ATOMはパレート被覆率とハイパーボリュームの両指標で一貫した改善を示した。パレート被覆率は、アルゴリズムが見つけた非支配解が真のパレートフロントをどの程度覆っているかを測る指標であり、ハイパーボリュームは解集合の収束性と多様性を総合的に反映する。これらの結果は、経路ベースのマルチエージェント協調が分子最適化に有効であることを実証している。
本論文は17ページ、6枚の図を含み、2026年3月27日に提出された。分野は人工知能（cs.AI）に属する。コードは匿名リポジトリで公開されており、研究コミュニティによる再現とさらなる開発が可能である。ATOMは、多目的分子最適化に対してマルチエージェント樹状探索という新しいパラダイムを提供し、今後の科学発見における分散意思決定や長期計画の応用研究に影響を与える可能性がある。