論文の概要: LARC: Towards Human-level Constrained Retrosynthesis Planning through an Agentic Framework
- arxiv url: http://arxiv.org/abs/2508.11860v1
- Date: Sat, 16 Aug 2025 01:05:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.417495
- Title: LARC: Towards Human-level Constrained Retrosynthesis Planning through an Agentic Framework
- Title（参考訳）: LARC:エージェント・フレームワークによる人間レベルの制約付き再合成計画に向けて
- Authors: Frazier N. Baker, Daniel Adu-Ampratwum, Reza Averly, Botao Yu, Huan Sun, Xia Ning,
- Abstract要約: LARC(LLM-based Agentic framework for Retro synthesis planning for Constraints)について述べる。
LARCは、Agent-as-a-Judgeを通じて、再合成計画プロセスに直接エージェント制約評価を組み込む。
LARCを3種類の制約型にまたがる48個の制約付き再合成計画課題に対して厳格に評価した。
- 参考スコア（独自算出の注目度）: 11.438071610913163
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large language model (LLM) agent evaluators leverage specialized tools to ground the rational decision-making of LLMs, making them well-suited to aid in scientific discoveries, such as constrained retrosynthesis planning. Constrained retrosynthesis planning is an essential, yet challenging, process within chemistry for identifying synthetic routes from commercially available starting materials to desired target molecules, subject to practical constraints. Here, we present LARC, the first LLM-based Agentic framework for Retrosynthesis planning under Constraints. LARC incorporates agentic constraint evaluation, through an Agent-as-a-Judge, directly into the retrosynthesis planning process, using agentic feedback grounded in tool-based reasoning to guide and constrain route generation. We rigorously evaluate LARC on a carefully curated set of 48 constrained retrosynthesis planning tasks across 3 constraint types. LARC achieves a 72.9% success rate on these tasks, vastly outperforming LLM baselines and approaching human expert-level success in substantially less time. The LARC framework is extensible, and serves as a first step towards an effective agentic tool or a co-scientist to human experts for constrained retrosynthesis.
- Abstract（参考訳）: 大規模言語モデル (LLM) エージェント評価器は、LLMの合理的な意思決定の基礎となる特別なツールを活用し、制約された再合成計画のような科学的発見を支援するのに適している。
制約された再合成計画は、商業的に利用可能な開始物質から望ましい標的分子への合成経路を特定するための化学の中で必須だが難しいプロセスである。
本稿では, 制約下でのレトロシンセプション計画のための LLM ベースのエージェントフレームワーク LARC について紹介する。
LARCは、エージェント・アズ・ア・ジャッジ(Agen-as-a-Judge)によるエージェント的制約評価を、ツールベースの推論に基づくエージェント的フィードバックを用いて、再合成計画プロセスに直接組み込んで、ルート生成をガイドし、制約する。
LARCを3種類の制約型にまたがる48個の制約付き再合成計画課題に対して厳格に評価した。
LARCはこれらのタスクで72.9%の成功率を獲得し、LLMのベースラインを大きく上回り、人間の専門家レベルの成功にかなり少ない時間で近づいている。
LARCフレームワークは拡張可能であり、制約されたレトロシンセシスのためのヒトの専門家に対する効果的なエージェントツールや共同科学者への第一歩として機能する。
関連論文リスト
- Agentic Reinforced Policy Optimization [66.96989268893932]
検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。
現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。
エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
論文 参考訳（メタデータ） (2025-07-26T07:53:11Z) - DeepRetro: Retrosynthetic Pathway Discovery using Iterative LLM Reasoning [0.0]
DeepRetroはオープンソースの反復型ハイブリッドLLMベースのレトロシンセティックフレームワークである。
提案手法は,従来のテンプレートベース/モンテカルロ木探索ツールの強みを,ステップワイドなフィードバック駆動ループでLLMの生成能力と統合する。
このアプローチは、複雑な天然物化合物のための新しい経路をうまく生成する。
論文 参考訳（メタデータ） (2025-07-07T19:41:39Z) - Structured Program Synthesis using LLMs: Results and Insights from the IPARC Challenge [1.4591178662983573]
ARCにインスパイアされたIPARC Challengeは、合成画像よりも制御されたプログラム合成タスクを提供する。
本稿では,LLMを用いた構造化帰納的プログラミング手法を提案する。
論文 参考訳（メタデータ） (2025-06-15T04:33:00Z) - The Influence of Human-inspired Agentic Sophistication in LLM-driven Strategic Reasoners [3.5083201638203154]
人工推論器の性能形成におけるエージェント的高度化の役割を評価する。
我々は3つのエージェント設計をベンチマークした: 単純なゲーム理論モデル、構造化されていないLLM-as-agentモデル、従来のエージェントフレームワークに統合されたLLM。
我々の分析は、25のエージェント構成にまたがる2000以上の推論サンプルを網羅し、人間にインスパイアされた認知構造が、LLMエージェントと人間の戦略的行動との整合性を高めることを示唆している。
論文 参考訳（メタデータ） (2025-05-14T13:51:24Z) - LLM-Augmented Chemical Synthesis and Design Decision Programs [18.41721617026997]
反応経路を符号化する効率的な手法を導入し,新しい経路レベルの探索戦略を提案する。
我々は,LLMを付加したアプローチがレトロシンセプション計画に優れており,より広範な分子設計の課題に自然に及んでいることを示す。
論文 参考訳（メタデータ） (2025-05-11T15:43:00Z) - Exploring the Necessity of Reasoning in LLM-based Agent Scenarios [74.35956310688164]
ツール利用,計画設計,問題解決の9つのタスクを含むLaRMAフレームワークを提案する。
LRMは計画設計のような推論集約的なタスクにおいてLLMを超越し、反復反射を優れた結果に活用する、という4つの研究課題に対処する。
LRMの強化された推論は、過剰思考や事実を無視した傾向を含む高い計算コスト、長い処理、行動上の問題を引き起こす。
論文 参考訳（メタデータ） (2025-03-14T04:34:31Z) - Automated Retrosynthesis Planning of Macromolecules Using Large Language Models and Knowledge Graphs [11.191853171170516]
大規模言語モデル(LLM)と知識グラフを統合するエージェントシステムを提案する。
本システムは,関係する文献の検索,反応データの抽出,データベースクエリ,逆合成経路木の構築を完全自動化する。
この研究は、LLMを動力とするマクロ分子に特化して、完全に自動化された再合成計画薬を開発する最初の試みである。
論文 参考訳（メタデータ） (2025-01-15T16:06:10Z) - Towards Efficient LLM Grounding for Embodied Multi-Agent Collaboration [70.09561665520043]
本稿では,多エージェント協調のための新しいフレームワークを提案する。これは,効率的な自己調整のための強化アドバンテージフィードバック(Reinforced Advantage feedback, ReAd)を導入する。
強化学習における重み付き回帰を多エージェントシステムに拡張して理論的解析を行う。
Over-AIと難解なRoCoBenchの実験は、ReAdが成功率のベースラインを超え、エージェントの相互作用ステップを著しく減少させることを示している。
論文 参考訳（メタデータ） (2024-05-23T08:33:19Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳（メタデータ） (2023-05-26T05:52:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。