論文の概要: RetroAgent: Harnessing LLMs to Search Over Structured Memory for Agentic Retrosynthesis Planning

• arxiv url: http://arxiv.org/abs/2607.14512v1
• Date: Thu, 16 Jul 2026 03:05:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.961009
• Title: RetroAgent: Harnessing LLMs to Search Over Structured Memory for Agentic Retrosynthesis Planning
• Title（参考訳）: RetroAgent: エージェント再合成計画のための構造化メモリ探索のためのLLMのハーネス化
• Abstract要約: RetroAgentは、構造化メモリを備えたハーネスを通じて、シンボル検索と神経推論をブリッジする。 分布内および分布外ベンチマークの実験は、RetroAgentが強力な性能と一般化を提供することを示した。
• 参考スコア（独自算出の注目度）: 42.57018169779999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-step retrosynthesis planning seeks to decompose a target molecule into commercially available building blocks through a sequence of feasible reactions. The vast combinatorial search space makes this task challenging even for expert chemists. Traditional methods combine tree search with offline-trained value networks that score candidates in isolation, without reasoning about complete multi-step routes. Recent work leverages Large Language Models (LLMs) for this task, but relies on simple interfaces that limit exploration of the full search space. We introduce RetroAgent, an LLM agent that bridges symbolic search and neural reasoning through a harness with structured memory. Through memory and chemistry tools, the agent observes the full search state, including explored routes, available alternatives, and properties of intermediates, enabling informed decisions grounded in both global progress and domain knowledge. Experiments on in-distribution and out-of-distribution benchmarks demonstrate that RetroAgent delivers strong performance and generalization.
• Abstract（参考訳）: 多段階のレトロシンセプション計画では、標的分子を商業的に利用可能なビルディングブロックに分解する。 膨大な組合せ探索空間は、専門家の化学者にとってもこの課題を困難にしている。 従来の方法では、ツリー検索とオフラインでトレーニングされた値ネットワークを組み合わせて、完全なマルチステップルートを推論することなく、候補者を個別にスコア付けする。 最近の研究は、このタスクにLarge Language Models (LLM)を活用するが、完全な検索空間の探索を制限する単純なインターフェイスに依存している。 本稿では,メモリを構造化したハーネスを通じて,記号探索と神経推論をブリッジするLLMエージェントRetroAgentを紹介する。 メモリと化学ツールを通して、エージェントは探索ルート、利用可能な代替品、中間体の特性を含む完全な探索状態を観察し、グローバルな進歩とドメイン知識の両方に根ざした情報的決定を可能にする。 分布内および分布外ベンチマークの実験は、RetroAgentが強力な性能と一般化を提供することを示した。

関連論文リスト

• SearchOS-V1: Towards Robust Open-Domain Information-Seeking Agent Collaboration [77.28003194268977]
  SearchOSは、脆弱で暗黙的な検索進捗を明示的で永続的で共有状態に変換するシステムレベルのマルチエージェントフレームワークである。 SOCM上に構築されたSearchOSは、サブエージェントの実行を重複させるパイプライン並列スケジューリングメカニズムを適用している。 SearchOSは評価されたシングルエージェントとマルチエージェントのベースラインの中で、すべてのメトリクスをリードする。
  論文  参考訳（メタデータ） (2026-07-16T17:51:23Z)
• WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search [104.75798763084424]
  大規模言語モデル(LLM)ベースのWeb検索エージェントは、情報検索を複雑で広範囲な検索と研究指向のタスクに変換する。 本稿では,タスクの分解と拡張を共同で構築するプログレッシブ・プログレッシブ・プログレッシブ・デリゲート・フレームワークであるWebSwarmを提案する。 WebSwarmは、ディープ・ワイド・インターリーブされたディープ・アンド・ワイド・タスクにおいて、シングルエージェントとマルチエージェントのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-07-09T16:28:49Z)
• Multi-Agent Transactive Memory [45.60102898683406]
  検索システムは、エージェント集団全体にわたる再利用のためのエージェント生成アーティファクトを整理することができる。 エージェント生成トラジェクトリの集団レベルでの記憶と検索のためのフレームワークとして,Multi-Agent Transactive Memory (MATM)を提案する。 実験により, MATM からトラジェクトリを抽出することで, 下流作業性能が向上し, 協調訓練や共同訓練を伴わずに, インタラクションのステップが短縮されることが示された。
  論文  参考訳（メタデータ） (2026-06-18T08:04:59Z)
• QUEST: Training Frontier Deep Research Agents with Fully Synthetic Tasks [38.454776684977496]
  QUESTは、様々な長距離検索タスクを扱うために設計されたオープンモデルのファミリーである。 本研究では,中等教育,教師付き微調整,強化学習を組み合わせた効果的なトレーニングレシピを提案する。 QUESTには、効果的なロングホライズン推論と知識合成を可能にするコンテキスト管理機構が組み込まれている。
  論文  参考訳（メタデータ） (2026-05-22T20:59:20Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
  エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。 本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
  論文  参考訳（メタデータ） (2026-01-08T08:13:27Z)
• RE-Searcher: Robust Agentic Search with Goal-oriented Planning and Self-reflection [55.125987985864896]
  環境の複雑さが脆弱な探索行動をいかに引き起こすかを定量的に分析する。 本稿では,検索エージェントRE-Searcherのインスタンス化をシンプルかつ効果的に行う手法を提案する。 この目標指向計画と自己回帰の組み合わせにより、RE-Searcherは複雑な検索環境における急激な手がかりに抵抗することができる。
  論文  参考訳（メタデータ） (2025-09-30T10:25:27Z)
• 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)

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。