SEISMO：基于轨迹感知的分子优化 LLM 代理提升样本效率
人工智能
2026-02-19 v2 机器学习
生物大分子
摘要
优化分子结构以实现期望性质是化学科学中的核心瓶颈，尤其在制药行业中，这涉及新药发现。由于分子性质评估常依赖于昂贵且资源受限的 oracle，如实验检测，分子优化必须具备高度的样本效率。为此，我们引入 SEISMO，这是一个在线推理的 LLM 代理，无需基于群体或批量学习，即可在每一次 oracle 调用后更新。SEISMO 将每个提议条件化于完整的优化轨迹，将自然语言任务描述与标量分数相结合，并在可用的情况下整合结构化解释性反馈。在包含 23 个任务的 Practical Molecular Optimization 基准测试中，SEISMO 的优化曲线下面积比先前方法高出 2-3 倍，常在 50 次 oracle 调用内接近最高任务得分。我们的额外医学化学任务显示，提供解释性反馈可进一步提升效率，表明利用领域知识和结构化信息是实现样本高效分子优化的关键。
引用
@article{arxiv.2602.00663,
title = {SEISMO: Increasing Sample Efficiency in Molecular Optimization with a Trajectory-Aware LLM Agent},
author = {Fabian P. Krüger and Andrea Hunklinger and Adrian Wolny and Tim J. Adler and Igor Tetko and Santiago David Villalba},
journal= {arXiv preprint arXiv:2602.00663},
year = {2026}
}
备注
Fabian P. Kr\"uger and Andrea Hunklinger contributed equally to this work