論文の概要: Agents on a Tree: Pathwise Coordination for Multi-Objective Molecular Optimization

• arxiv url: http://arxiv.org/abs/2606.00008v1
• Date: Fri, 27 Mar 2026 14:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.564109
• Title: Agents on a Tree: Pathwise Coordination for Multi-Objective Molecular Optimization
• Title（参考訳）: 木上のエージェント:多目的分子最適化のためのパスワイズ座標
• Abstract要約: 多目的分子最適化は、矛盾する目的の下で広大な化学空間を探索する必要がある。 木構造探索として分子最適化を定式化するマルチエージェントフレームワークであるATOMを提案する。
• 参考スコア（独自算出の注目度）: 33.33321738135092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-objective molecular optimization requires searching vast chemical spaces under conflicting objectives, where early design decisions strongly constrain downstream outcomes. Existing methods typically rely on a single policy or fixed scalarization, which limits their ability to represent diverse trade-offs and to explore multiple promising design trajectories. We propose ATOM, a multi-agent framework that formulates molecular optimization as a tree-structured search. Each node corresponds to an atomic operation and hosts an agent specialized for a particular objective or decision context. Agents coordinate along different paths of the tree rather than enforcing a global consensus, enabling the method to maintain and compare alternative molecular evolution trajectories. A global memory of past optimization behaviors further supports balanced exploration and exploitation across objectives. This tree-structured interaction enables reasoning over long-horizon dependencies inherent in molecular design. Experiments on challenging multi-objective benchmarks involving activity, synthesizability, and ADMET-related properties show that ATOM consistently achieves improved Pareto coverage and hypervolume over strong baselines. These results demonstrate the effectiveness of pathwise multi-agent coordination for molecular optimization. Code is available at https://anonymous.4open.science/r/ATOM-41CE.
• Abstract（参考訳）: 多目的分子最適化は、初期の設計決定が下流の結果を強く制約する、矛盾する目的の下で広大な化学空間を探索する必要がある。 既存の手法は通常、単一ポリシーや固定スカラー化に依存しており、多様なトレードオフを表現でき、複数の有望な設計軌道を探索する能力を制限する。 木構造探索として分子最適化を定式化するマルチエージェントフレームワークであるATOMを提案する。 各ノードはアトミックな操作に対応し、特定の目的または決定コンテキストに特化したエージェントをホストする。 エージェントは、大域的なコンセンサスを強制するのではなく、木の異なる経路に沿って調整し、代替分子進化軌道の維持と比較を可能にする。 過去の最適化行動のグローバルメモリは、目的を越えたバランスの取れた探索とエクスプロイトをさらにサポートする。 この木構造相互作用は、分子設計に固有の長い水平依存に対する推論を可能にする。 活性, 合成可能性, ADMET 関連特性を含む多目的ベンチマークの挑戦実験により, ATOM は強いベースライン上でのパレートカバレッジとハイパーボリュームの改善を一貫して達成していることが示された。 これらの結果は、分子最適化におけるパスワイズ多エージェント協調の有効性を示す。 コードはhttps://anonymous.4open.science/r/ATOM-41CEで公開されている。

関連論文リスト

• MOAE: Multi-Objective Agent Evolution with Pareto-Preserving Search [5.257073134713488]
  多目的エージェント進化(Multi-Objective Agent Evolution)は、完全エージェントロールアウト上のパレート保存進化探索として反復的インコンテキスト洗練を組織する。 この結果から,MOAE はタスク性能と軌道品質を安定的に向上すると同時に,適合したロールアウト予算下での安全性を維持していることがわかった。
  論文  参考訳（メタデータ） (2026-09-05T09:31:34Z)
• From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents [90.3279207163486]
  EvoSOPは、エージェントが実行軌跡からSOPを抽出し、反復的にツールセットを最適化することを可能にするフレームワークである。 EvoSOPはタスク成功率を大幅に向上し,インタラクションラウンドの回数を大幅に削減することを示す。
  論文  参考訳（メタデータ） (2026-07-08T12:09:49Z)
• Molecular Lead Optimization via Agentic Tool Planning [35.734669753312474]
  鉛最適化は、初期のヒット化合物を有効な薬物候補に変換する上で重要な役割を担っている。 人工知能の最近の進歩は、薬物発見の様々な側面を加速させるという約束を示している。 分子リード最適化のためのトラジェクトリ対応LCM推論剤TRACEを提案する。
  論文  参考訳（メタデータ） (2026-05-21T19:12:19Z)
• CombiMOTS: Combinatorial Multi-Objective Tree Search for Dual-Target Molecule Generation [8.288411013805648]
  CombiMOTSは二重ターゲット分子を生成するフレームワークである。 CombiMOTSは、高いドッキングスコア、多様性の向上、バランスの取れた薬理特性を持つ新規な二重ターゲット分子を生産する。
  論文  参考訳（メタデータ） (2026-04-25T13:44:34Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• Accelerating Scientific Discovery with Autonomous Goal-evolving Agents [51.6546298853762]
  我々は,この課題を是正するために,科学自律ゴール進化エージェント(SAGA)を紹介した。 SAGAは、LLMエージェントの外ループが最適化結果を分析し、新しい目的を提案し、計算可能なスコアリング関数に変換する二段階アーキテクチャを採用している。 本フレームワークは, 抗生物質設計, 無機材料設計, 機能的DNA配列設計, 化学プロセス設計など, 幅広い応用で実証されている。
  論文  参考訳（メタデータ） (2025-12-25T20:54:41Z)
• Monte Carlo Tree Diffusion with Multiple Experts for Protein Design [50.056670856059014]
  マスク付き拡散モデルと木探索を統合したMCTD-MEを提案する。 自己回帰型プランナーとは異なり、MCTD-MEはロールアウトエンジンとして生物物理学的な拡散デノナイジングを使用している。 このフレームワークはモデルに依存しず、デノボタンパク質工学や多目的分子生成を含む逆フォールディングを越えて適用できる。
  論文  参考訳（メタデータ） (2025-09-19T09:24:42Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• BInD: Bond and Interaction-generating Diffusion Model for Multi-objective Structure-based Drug Design [0.0]
  本稿では,多目的薬物設計のための知識ベースガイダンスを用いた拡散モデルBInDを提案する。 BInDは、分子と標的タンパク質との相互作用を同時に生成し、全ての主要な目的を等しく考慮するよう設計されている。 総合評価では、BInDは全ての目的に対して頑健な性能を達成し、それぞれが最先端の手法よりも優れ、適合していることを示している。
  論文  参考訳（メタデータ） (2024-05-27T06:26:55Z)
• Fleet of Agents: Coordinated Problem Solving with Large Language Models [10.167121757937062]
  Fleet of Agents(FoA)は、動的ツリー検索をナビゲートするエージェントとして大きな言語モデルを利用する、原則化されたフレームワークである。 FoAは多数のエージェントを発生させ、それぞれが自律的に検索空間を探索し、次に選択フェーズを行う。 FoAはすべてのベンチマーク手法の中で最高のコスト品質のトレードオフを実現し、FoA + LMA3.2-11BはLlama3.2-90Bモデルを上回る。
  論文  参考訳（メタデータ） (2024-05-07T09:36:23Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Computer-Aided Multi-Objective Optimization in Small Molecule Discovery [3.032184156362992]
  多目的分子発見のためのプールベースおよびデノボ生成手法について述べる。 プール型分子発見は,多目的ベイズ最適化の比較的直接的な拡張であることを示す。 この分野で残る課題と機会について論じる。
  論文  参考訳（メタデータ） (2022-10-13T17:33:07Z)

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。