AOT*：通过 LLM 赋能的 AND-OR 树搜索实现高效合成规划
人工智能
2025-09-29 v1 定量方法
摘要
Retrosynthesis 规划使发现可行的合成路线成为可能，在药物发现和材料设计等领域发挥着关键作用。多步骤合成规划由于指数级搜索空间和推理成本而备受挑战。虽然大型语言模型（LLM）展示了化学推理能力，但其应用于合成规划面临效率和成本限制。为此，我们引入 AOT*，通过将 LLM 生成的化学合成路径与系统性 AND-OR 树搜索相结合来变革合成规划。为此，AOT* 原子化地将生成的完整合成路线映射到 AND-OR 树组件，并设计了严谨的奖励分配策略和基于检索的上下文工程，从而使 LLM 能够高效地在化学空间中导航。在多个合成基准测试上的实验评估表明，AOT* 以显著更高的搜索效率实现了 SOTA 性能。AOT* 使用 3-5\times 更少的迭代次数即可实现具有竞争力的解题率，在复杂分子目标上，效率优势更为显著。
关键词
引用
@article{arxiv.2509.20988,
title = {AOT*: Efficient Synthesis Planning via LLM-Empowered AND-OR Tree Search},
author = {Xiaozhuang Song and Xuanhao Pan and Xinjian Zhao and Hangting Ye and Shufei Zhang and Jian Tang and Tianshu Yu},
journal= {arXiv preprint arXiv:2509.20988},
year = {2025}
}
备注
34 pages, 21 figures