在药物发现和材料设计等领域，多目标分子优化是一个核心挑战：研究者需要在庞大的化学空间中寻找满足多种相互冲突属性的分子。例如，一个候选分子可能具有高生物活性，但合成难度大或药代动力学性质不佳。早期设计决策往往对后续结果产生深远影响，使得搜索过程变得尤为复杂。传统方法通常依赖单一策略或固定的标量化方法，这限制了它们表示多样化权衡和探索多条有希望设计路径的能力。
针对这一问题，Jia Zhang等六位作者在arXiv上预印了一篇论文，提出了名为ATOM的多智能体框架。ATOM的核心思想是将分子优化问题重新表述为树形搜索。在这棵树中，每个节点代表一个原子操作（例如添加或移除某个化学基团），并且每个节点都承载一个专门针对特定目标或决策情境的智能体。与强制全局共识不同，这些智能体沿着树的不同路径进行协调，从而能够维持并比较不同的分子演化轨迹。这种路径式协调机制允许算法在多个目标之间保持多样性，而不是过早收敛到单一折中方案。
为了支持跨目标的平衡探索与利用，ATOM还引入了一个全局记忆模块，记录过去的优化行为。该记忆帮助智能体在长期依赖关系中进行推理，这对于分子设计这类需要多步决策的任务至关重要。通过树形结构中的交互，ATOM能够捕捉到长距离的依赖关系，从而更有效地指导搜索方向。
实验部分，作者在涉及活性、可合成性以及ADMET（吸收、分布、代谢、排泄和毒性）相关性质的多个具有挑战性的多目标基准上评估了ATOM。结果显示，与强基线方法相比，ATOM在帕累托覆盖（Pareto coverage）和超体积（hypervolume）指标上均取得了持续改进。帕累托覆盖衡量的是算法找到的非支配解对真实帕累托前沿的覆盖程度，而超体积则综合反映了解集的收敛性和多样性。这些结果证明了路径式多智能体协调在分子优化中的有效性。
该论文共17页，包含6张图，提交于2026年3月27日，属于人工智能（cs.AI）领域。代码已在匿名仓库中公开，供研究社区复现和进一步开发。ATOM的提出为多目标分子优化提供了一种新颖的基于多智能体树搜索的范式，未来可能启发更多关于分布式决策和长期规划在科学发现中的应用研究。