在藥物發現和材料科學中，多目標分子優化是一項關鍵任務，需要在多個相互衝突的目標（如活性、可合成性和ADMET性質）之間尋找最佳平衡。傳統方法通常使用單一策略或固定權重組合，難以充分探索複雜的設計空間。近期，一篇發表在arXiv上的論文提出了一種名為ATOM（Agents on a Tree for Multi-objective Optimization）的新型多智能體框架，將分子優化重新構想為樹結構搜索過程。
ATOM的核心思想是將分子結構中的每個原子操作視為樹上的一個節點，每個節點由一個專門的智能體負責，這些智能體針對特定目標或決策上下文進行優化。智能體之間不尋求全局共識，而是沿着樹的不同路徑進行協調，從而保留和比較多種可能的分子進化軌跡。這種方法特別適合處理分子設計中固有的長期依賴關係。此外，ATOM還配備了一個全局記憶模塊，記錄過去的優化行為，以支持跨目標的平衡探索與利用。
實驗在包括活性、可合成性和ADMET相關性質的多個多目標基準上進行。結果顯示，ATOM在帕累託覆蓋率和超體積指標上均顯著優於強基線方法，如基於單策略的優化和固定標量化方法。這些結果表明，路徑多智能體協調是分子優化中一種高效且靈活的策略。論文代碼已公開，可復現實驗結果。