树上的智能体：多目标分子优化的路径协调
多目标分子优化需要在冲突目标下搜索广阔的化学空间，早期设计决策严重约束后续结果。现有方法通常依赖单一策略或固定标量化，限制了表示多样权衡和探索多个有前途设计轨迹的能力。本文提出ATOM，一种多智能体框架，将分子优化建模为树结构搜索。每个节点对应原子操作，并托管一个针对特定目标或决策情境的智能体。智能体沿树的不同路径协调，而非强制执行全局共识，从而能够维护和比较替代分子进化轨迹。全局记忆进一步支持跨目标的平衡探索与利用。在涉及活性、可合成性和ADMET相关属性的挑战性多目标基准上，ATOM始终优于强基线，展示了路径多智能体协调的有效性。
在药物发现和材料科学中，多目标分子优化是一项关键任务，需要在多个相互冲突的目标（如活性、可合成性和ADMET性质）之间寻找最佳平衡。传统方法通常使用单一策略或固定权重组合，难以充分探索复杂的设计空间。近期，一篇发表在arXiv上的论文提出了一种名为ATOM（Agents on a Tree for Multi-objective Optimization）的新型多智能体框架，将分子优化重新构想为树结构搜索过程。
ATOM的核心思想是将分子结构中的每个原子操作视为树上的一个节点，每个节点由一个专门的智能体负责，这些智能体针对特定目标或决策上下文进行优化。智能体之间不寻求全局共识，而是沿着树的不同路径进行协调，从而保留和比较多种可能的分子进化轨迹。这种方法特别适合处理分子设计中固有的长期依赖关系。此外，ATOM还配备了一个全局记忆模块，记录过去的优化行为，以支持跨目标的平衡探索与利用。
实验在包括活性、可合成性和ADMET相关性质的多个多目标基准上进行。结果显示，ATOM在帕累托覆盖率和超体积指标上均显著优于强基线方法，如基于单策略的优化和固定标量化方法。这些结果表明，路径多智能体协调是分子优化中一种高效且灵活的策略。论文代码已公开，可复现实验结果。